非平稳数据
南桥市的“青年技能跃迁计划”自 2021 年启动。林澈将参与者就业率、就业者收入中位数和适配青年岗位数按月排开，持续跟踪后，她发现这三条线都在缓步上升，而且趋势显著。
最初，她几乎要写下“岗位多了，项目有效了，收入也提高了”的结论。但她很快意识到需要谨慎：同一城市经济整体复苏、项目的逐步扩围，甚至只是在同一平台用同一统计口径，都可能让这三条指标一同上升，看起来关联紧密，却未必存在直接因果关系。类似的趋势，经常在真实数据与政策评估中制造出迷惑人的表象。
因此，这一章关注的重点不是如何消除上升趋势让图表“变平”，也不是仅仅判断数字是否好看；而是要学会把数据中隐藏的共同趋势、短期变动与长期结构性约束系统地拆分开来。除了必要的案例背景说明、符号和方法定义以外，文中所有判断均属于教学模拟范畴，便于聚焦分析逻辑本身。
趋势会制造假关系
林澈把职位数放在横轴、收入放在纵轴，看到一条漂亮的上升斜线。它只能说明两个水平值共同移动，不能说明企业多发一个岗位就使参与者多赚一笔收入。
她回看项目日志：早期只覆盖少数机构，之后新增社区加入；职位平台也扩大了行业覆盖。若这些变化同时发生，回归捕捉到的可能是时间背景，而不是培训与收入之间的机制。
她又做了一个反问：若收入换成另一条同样上升、但与计划无关的教学模拟路径，结果还会不会显著？只要答案可能是“会”，水平回归就必须接受更严格的诊断。
她因此把“相关”改写成一个待验证的观察：这些变量同向移动，但原因尚未分开。这个改写很小，却阻止了整份报告把趋势误装成政策效果。
先分辨趋势
平稳不是每个月一样，而是运动规则大致不随日期改变：中心、波动尺度和对过去的依赖形状可以比较。林澈把它想成电梯停在同一层时的轻微晃动，早晚观察都仍在同一层附近。
确定性趋势更像固定坡道。若课程等级、工资制度或产业升级推动平均路径上移，短暂偏离仍会回到那条路径附近，可写为：
随机趋势则像人在雾中从当前落脚点继续走。每次意外都保留在后续水平中，冲击不会自动消散：
林澈知道，两种路径都可能画出上升线。区别不是线条够不够直，而是扩围后的异常月会不会逐步回到原来的轨迹，还是成为后续数据的新起点。
她没有立刻选去趋势或差分，而是把这两种故事同时写在工作纸上。图形、业务记录和残差必须共同支持其中一种，不能由软件替她猜测历史是否会被记住。
从轨迹开始诊断
林澈先为每个变量画四种视图：原始水平、适用的比例或对数、相邻月变化，以及按月份重复排列的季节图。她要先知道上升发生在水平、相对变化还是某个固定季节位置。
随后，她在横轴上标注扩围、问卷改版、平台去重规则变化和大型招聘会。若职位数恰在规则改版后跳升，那个拐点首先是可比性问题，而不是单位根或项目成效。
就业率也不能脱离分母。新增机构带来的青年构成若不同，比例上升可能来自样本迁移；收入中位数若只来自完成随访的就业者，也不能自然外推为全体参与者的收入变化。
她把每个指标的定义、分母、采集系统和修订记录并排保存。新增职位、在招职位和平台展示职位不是同一个变量，只有名称相同并不足以让它们跨月可比。
林澈这时仍不急于检验。她先确认课程完成、求职、入职和收入到账并不一定在同月发生，避免把错位的时间戳送入任何回归。
检验与残差
图形让林澈知道该怀疑什么，检验才帮助她把怀疑说清。ADF 从“存在单位根”出发，KPSS 从“水平或趋势平稳”出发；两者方向相反，适合并列而不是二选一。
她提醒项目组：未能拒绝某个原假设，不是已经证明它为真。月度样本不长、趋势项放错、滞后不够、季节遗漏或统计口径断裂，都可能让两个检验给出含糊甚至相反的信号，林澈会暂缓下结论。
先理解“偏高的水平会不会被拉回”，再看常见的检验表达：
林澈不把公式当裁判槌。她关心的是前期水平项是否体现拉回力量，也关心趋势项和短期滞后是否有来自图形与流程的理由。
检验之后，她一定看残差。若残差仍缓慢漂移，或每到毕业季就同向跳动，模型仍把趋势或季节留在误差里；系数再整齐，也不能代表时间结构已被解释。
检验步骤
- 写清检验面对的是水平、对数、去趋势残差还是差分。
- 说明截距、趋势项和滞后的选择理由。
- 并列记录 ADF、KPSS、图形和残差的证据。
- 若证据冲突，优先检查断点、季节和样本长度。
- 用不同的合理设定复查核心判断，不为挑选概率值反复试验。
差分改变问题
当林澈判断收入与职位的水平可能带有随机趋势，她先把问题改成“本月比上月改变了多少”。一阶差分不再比较谁处在较高位置，而是比较谁的变化更快。
若两个严格为正的变量在选定对数尺度上一阶单整，相应的一阶对数差分近似平稳。她才有理由把相对变化放进短期方程，而不是让两个持续上升的水平互相解释，并将样本范围写进报告。
先有这个问题转换，再写差分的含义：
对收入和职位数，林澈常比较 。它更接近相对变动，但零值、极端值和口径变动必须先说明；为了取对数而随手给数据加常数，会悄悄改变低值月份的故事。
她也知道差分会丢掉最早一期，并弱化长期水平信息。目标不是把图切得最锯齿，而是用最少、最能解释业务过程的变换得到可信的短期问题。
短期变化与滞后
林澈把职位数的对数变化放进收入对数变化的方程。她问的不是“职位总量翻倍后收入会怎样”，而是“职位发布量这月改变时，参与者收入在当月或后续月份是否也改变”，而不是即时因果。
课程结束、制作简历、面试、入职和收入到账之间都有等待。林澈不愿把所有作用挤进同一个月，也不愿让软件随意挑出许多滞后，她只保留能对应流程的候选时间间隔。
在这个短期问题下，方程可以写为：
当期项描述同步变化，滞后项描述可能跨月传导。若增加合理滞后后残差没有改善，或系数符号反复翻转，林澈会删去它，而不是用复杂度替代解释。
她还在报告旁边写下一句限制：时间顺序与某种传导机制相容，并不排除共同景气、企业预期、学员选择或平台更新带来的反向关系。
协整留下长期锚
差分回答短期变化，却可能把有价值的长期尺度一并抹掉。林澈因此回到收入与适配岗位数的原始路径，问它们是否可以一起上行、但不能无限制地彼此脱离。
她把这种情形想成两艘被同一根绳子连接的船。风浪能让它们暂时拉开，可绳子的长度限制了长期距离；两条都向上，并不自动说明那根绳子存在。
先有这个直觉，再把长期偏离写为：
本章聚焦 与 均为 的情形：若存在非平凡线性组合使残差 平稳，则称为协整；这不是对所有阶数协整情形的完整定义。长期系数描述的是共同尺度关系，不是“岗位本月增加一单位就必然带来收入”的即时效应。
她会重新核验职位数究竟记录新增发布、在招存量还是平台展示，也会检查扩围前后残差是否换挡。变量定义和样本构成一变，原来那根“绳子”的含义也可能已经变了，因此只在可比窗口解释。
ECM观察拉回
在一个简化的收入方程中，误差修正模型把短期关联与长期偏离放在一起：本月收入变化可以与岗位变化相关；若上月收入偏离长期关系太远，之后的收入变化可能显示拉回。
林澈先把括号读成“上期离长期锚有多远”。只有协整残差确有稳定证据时，这个偏离才值得进入短期方程；没有长期锚，把它塞进模型只会换一种形式制造伪关系。
再看简化表达：
若 是收入、 是适配岗位数，且本式是收入方程，收入相对长期关系偏高时通常预期 为负，意味着随后收入增长放慢以缩小偏离。职位数是否也调整，必须在它自己的方程中另行估计。
林澈随后检查残差是否还带季节、断点或持续漂移。项目扩围和平台规则调整若改变长期尺度，她宁可承认关系只适用于某个阶段，也不把前后历史硬塞进同一调整速度。
南桥月度任务
林澈把下一轮分析交给你。你先为就业率、收入和职位数各画水平、对数或比例、相邻月变化和季节视图，并把扩围、口径调整和外部事件放回同一条时间线。
随后，你需要为每个变量写出一段判断：它的基准是否移动，冲击是否累积，样本构成是否改变，哪一种解释仍然无法从当前数据中排除。数字和检验结果均应明确标为教学模拟。
若收入与职位数在变化上同向，你只能讨论短期联动；若长期组合的残差有回归证据，才可讨论协整与 ECM。每一种选择都要写出模型能回答什么、不能回答什么。
预测也要遵守时间顺序。林澈要求你用较早月份估计、向后预测，再逐步加入新月份；随机打散月份会让未来信息泄漏到过去，得到虚高的成绩。
最后，把复杂模型与近期水平或季节基准等朴素方法并列。若复杂模型不能稳定胜出，这也是结果，而不是继续增加参数的理由。
报告不能越界
林澈不会在报告开头模糊带过“变量通过了检验”。她会详细说明每个变量涉及的分母选择、统计频率、所用窗口、缺失值与口径变化、趋势或季节设定、假设检验的原假设、滞后阶数、变换方法以及残差诊断过程。每个技术环节交代清楚，便于追溯分析基础。
报告结论建议始终分为以下三层，每一层的侧重点和可解释性都应明晰列出：
- 短期分析：利用差分模型，判断各变量在短期内的变化是否存在联动关系，也即近期波动是否同时发生。
- 长期分析：通过协整检验，关注变量间的偏离在较长时间尺度上是否受到共同约束，是否存在长期均衡趋势。
- 动态调整分析：采用 ECM（误差修正模型）进一步考察前期偏离长期关系的残差与后续变量调整之间的关系。
需要特别说明的是：
- 以上三种模型各自的解释能力都有边界，不能单独依赖其中之一便做出决定性因果判断。
- 这些分析仅能识别变量间的统计联动与长期趋同特征，无法自动推出“如果没有项目计划”时的反事实结果。
- 每一层结论都应明确告知其适用范围，避免误读为对政策作用或实际机制的单向归因。
通过这样层层分明的结构，可确保报告分析既全面又保持科学严谨的边界感。
针对项目归因，林澈强调，单有时间序列分析还不够。需要有可比的对照组、明确规定的对象资格和分期执行的时间点，并对所有可能的共同冲击和选择性进入进行处理。即便进行非平稳性处理，使时间分析更可靠，但不能因此忽视对照设计的重要性。
她会主动检验结论对不同设定的依赖程度。通过变更趋势项、季节因素、分析窗口或断点处理，观察结果是否依然成立。稳健性检验不是去寻找“最显著”的分析结果，而在于揭示不同合理设定是否可能导致反向结论。
最重要的是，林澈不断提醒结论边界。即使差分、协整或 ECM 检验有统计关联，也不能直接解释为政策产生了因果影响。报告需要坦白长期趋势、分组可比性和外部冲击等因素，任何归因判断都必须严守科学和透明的分析标准。
带着问题往前
林澈最后没有把三条上升线直接当作项目成功的结论。她写道：当前这些上升轨迹值得深入研究，但在此之前，必须认真区分变量之间的共同趋势、短期的波动、长期的约束机制，以及样本和口径调整等可比性变化，以免误将相关性当作因果。
你可以参考林澈的方法，首先检查衡量标准是否在期间发生变化，例如基期、统计口径、频率或样本构成的变动，其次问一问观测到的短期冲击是否持续累积为长期影响，还是会很快被消解。然后再仔细分析时间序列的变化、残差走势和潜在结构性断点，权衡是保留还是舍弃变量之间的长期水平关系。只有当数据确实显示存在长期稳定锚点时，才可以讨论 ECM 等模型来解释偏离与之后调整的关系，避免过度外推未被支持的长期联动。
报告结论时要特别注意解释边界。比如，即使变量联动或长期回归，也不代表单向因果成立，更不能把走势对齐简单归因于项目本身。始终要留意共同趋势、外生事件和分组可比性，以保证分析的严谨与透明。