Answers:
趋势消退是根本。这包括针对除时间以外的协变量进行回归。
季节性调整是考虑差异的一种形式，但可以解释为一种单独的技术。
转换数据的转换隐差分算成别的东西; 例如，对数的差实际上是比率。
某些EDA平滑技术（例如删除移动的中位数）可以解释为非参数化趋势。Tukey在他关于EDA的书中就这样使用它们。Tukey继续消除残留趋势，并在必要时重复此过程（直到他获得的残留看起来稳定且在零附近对称分布）为止。
我仍然认为，如您最初建议的那样，使用一个周期到下一个周期的百分比变化是使非平稳变量平稳的最佳方法。诸如对数之类的转换相当有效（它使不稳定的质量变平了，但是并没有完全消除它）。
第三种方法是在一个线性回归中同时对数据进行反季节化和去趋势化。一个独立变量将是趋势（或时间）：1、2、3，...到您拥有多少时间段。并且，另一个变量将是具有11个不同类别的类别变量（12个月中的11个月）。然后，使用此回归得到的系数，您可以同时对数据进行趋势去除和反季节处理。您将看到整个数据集基本平坦。期间之间的剩余差异将反映出与增长趋势和季节无关的变化。
原木和倒数以及其他幂转换通常会产生意外的结果。
至于去趋势化残差（例如Tukey），在某些情况下可能有一些应用，但可能很危险。另一方面，采用干预检测方法的研究人员可以系统地检测水平变化和趋势变化。由于电平偏移是时间趋势的差异，就像脉冲是电平偏移的差异一样，因此，Ruey Tsay所采用的方法很容易解决此问题。
如果一个系列表现出水平移动（即截距变化），则使该系列静止的适当补救措施是“贬低”该系列。Box-Jenkins严重错误地认为非平稳性的补救措施是差分算子。因此，有时微分是合适的，而其他时候调整均值偏移“ s”是合适的。无论哪种情况，自相关函数都可能表现出非平稳性。这是系列状态（即静止或非静止）的症状。在明显不稳定的情况下，原因可能有所不同。例如，级数确实具有连续变化的平均值，或者级数具有暂时的平均值变化。
建议的方法是1982年Tsay首次提出的，现已添加到某些软件中。研究人员应参考Tsay的《预测杂志》中标题为“时间序列的离群值，水平移动和方差变化”的文章。7，I-20（1988）。
像往常一样，教科书整合前沿技术的速度很慢，但是可以在Wei的书中引用该材料（即时间序列分析），Delurgio和Makradakis涵盖了并入干预，但是没有像Wei的文字那样进行检测。
您能通过数据拟合黄土/样条并使用残差吗？残差会固定吗？
似乎充满了要考虑的问题，也许没有像过分差异那样清楚地表明曲线过于灵活。