自相关和偏自相关的两个函数代码
由于后面会经常画一组序列自相关和偏自相关的图像,所以就把自己写的这个两个画图的函数的代码贴上,供大家参考。
- 首先是自相关的函数
输入的三个参数分别是{数据,滞后数,置信度}
pacf[data_, lmax_, clev_: 0.95] :=
Show[ListPlot[CorrelationFunction[data, {lmax}], Filling -> Axis,
PlotRange -> {
{0, lmax}, {-1.5, 1.5}},
PlotStyle -> PointSize[Medium], PlotLabel -> "自相关图",
FillingStyle -> Directive[Thickness[.01], Green, Dashed]],
Graphics[{Dashed, Line[{
{0, #}, {lmax, #}}]}] & /@ (
Quantile[NormalDistribution[], {(1 - clev)/2, 1 - (1 - clev)/2}]/
Sqrt[Length[data]])];
- 接着是偏自相关的函数
papf[data_, lmax_, clev_: 0.95] :=
Show[ListPlot[PartialCorrelationFunction[data, {lmax}],
Filling -> Axis, PlotRange -> {
{0, lmax}, {-1.5, 1.5}},
PlotStyle -> PointSize[Medium], PlotLabel -> "偏自相关图",
FillingStyle -> Directive[Thickness[.01], Green, Dashed]],
Graphics[{Dashed, Line[{
{0, #}, {lmax, #}}]}] & /@ (
Quantile[NormalDistribution[], {(1 - clev)/2, 1 - (1 - clev)/2}]/
Sqrt[Length[data]])];
AR模型
AR模型的定义
—————
AR模型平稳性判别
AR模型是常用的平稳序列的拟合模型之一,但并非所有的AR模型都是平稳的 。
判别方法
1. 单位根判别法
2. 平稳域判别法
关于这两种方法的证明挺长的,由于要是我们分析实际数据,是不必考虑这些的,关于平稳性只是从模型的角度去推的,所以我准备不讲这两个方法的推到,举几个平稳和不平稳的例子看一下。
第一个平稳的AR模型
这个AR模型的递推式子是x[t]=0.8*x[t-1]+e,其实e是一个误差项。
x[1]=5,x[2]=3
Clear[x];
x[1] =