严格意义上的平稳性与统计规律的假设有关$f_{\omega(t)}$背后的过程不会随着时间而改变。即使在这种情况下，也很难从几个实现中获得规律，除非您添加遍历性假设（根据过去和未来数据估计样本属性的可能性）。

严格意义上的非平稳性可以提供如此多的行为，以至于平稳化是不可能的：所有$f_{\omega(t)}$应该转换为单个$f_{\omega}$. 如果它存在，非平稳处理将是一个天堂，因为我们可以应用所有平稳的方法。

在更轻松的意义上，可以考虑广义的非平稳性，其中只允许第一和第二时刻（期望和方差）变化。在时间序列的非平稳模型中，可以探索什么是“方差非平稳”和“均值非平稳”。

平均而言，可以将几种方法应用于确定性趋势和随机趋势。可以使用微分、参数建模或 ARMA、ARIMA、随机游走技术。

在方差中，可以寻找方差稳定变换（Anscombe，Box-Cox），旨在：

创建新值，使得值 y 的可变性与其平均值无关