Не так много, чтобы продолжить здесь, пожалуйста, попробуйте более конкретный w.r.t. «метод» и «ряд» ... Распространенной ошибкой является использование регрессии OLS в нестационарном процессе, и в этом случае результаты могут быть ложными. Чтобы избежать этого, когда переменная подозревается в нестационарности, преобразование этой переменной может иногда нарушать эту нестационарность. Например, автокоррелированный процесс AR (1) с единичным корнем (нестационарным) даст (стационарное) новшество, если вычесть два последовательных значения друг из друга (например, с помощью функции diff).
Чтобы ответить на ваш вопрос более прямо (но, возможно, менее полезно), любая функция Matlab, генерирующая случайное число без изменения распределения во времени, будет генерировать «стационарный процесс» ... например, plot(randn(1000,1)) показывает «процесс», который представляет чистые инновации. Если бы эти нововведения были в AR (1) с единичным корнем (то есть X (t + 1) = X (t) + u) процесса, мы могли бы получить что-то вроде:
AR1 = cumsum(u);
innov=diff(AR1);
plot([AR1(2:end),innov])
Как видите, процесс AR1 является нестационарным, поскольку он имеет единичный корень. тривиально, x на самом деле является инновацией, но «обратный инжиниринг» с использованием diff просто показывает, что в этом случае вы можете извлечь из нестационарного ряда что-то стационарное.
Наконец, общим тестом для поиска нестационарности является расширенный тест Дики Фуллера (тест единичного корня), который реализован в Matlab: https://www.mathworks.com/help/econ/adftest.html