1. 自相关函数(ACF)
1.1 概念介绍
自相关函数(Autocorrelation Function, ACF) 是描述时间序列数据与其滞后值(即前期值)之间相关性的统计工具。它可以帮助我们识别时间序列中的周期性、趋势和随机性。
- 自相关系数:度量时间序列在不同滞后期之间的相关性,取值范围为[-1, 1]。
- 1:完全正相关
- -1:完全负相关
- 0:无相关性
- 滞后期(Lag):指时间序列中某个数据点与前面(或后面)某个数据点之间的时间间隔。
1.2 数学定义
1.3 ACF的用途
- 识别周期性:观察自相关系数在不同滞后期的变化情况,识别数据的周期性。若在某个特定滞后期上自相关系数达到高峰,可能表示该时间序列存在一个周期。
- 判断随机性:若ACF在所有滞后期上都接近零,表示时间序列可能是随机的。
- 模型选择:在时间序列建模(如ARIMA模型)中,ACF图有助于选择合适的模型阶数。
1.4 Python实现ACF
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
# 生成一个示例时间序列数据
np.random.seed(0)
time_series_data = np.cumsum(np.random.randn(1000)) # 随机漫步时间序列
# 绘制时间序列
plt.figure(figsize=(10, 4))
plt.plot(time_series_data)
plt.title('Time Series Data')
plt.show()
# 计算并绘制ACF图
plot_acf(time_series_data, lags=40)
plt.show()
2. 时间序列分解
2.1 概念介绍
时间序列分解(Time Series Decomposition) 是将时间序列分解为几部分(通常包括趋势、季节性、周期性和随机噪声),以便更好地理解时间序列的组成结构。
- 趋势(Trend):时间序列中的长期上升或下降趋势,反映了数据随时间的整体方向。
- 季节性(Seasonality):时间序列中的重复模式或周期性波动,通常与季节变化、周期性事件相关。
- 周期性(Cyclic):比季节性更长的波动模式,通常与经济周期、市场周期等相关。
- 随机噪声(Residual/Noise):时间序列中的不规则波动或误差,无法用趋势、季节性或周期性解释。
2.2 数学公式
- 加法模型:
- 乘法模型:
2.3 时间序列分解的用途
- 识别趋势:分离出数据的长期趋势,帮助进行趋势分析。
- 季节性调整:去除季节性分量,使得对趋势和周期性的分析更加清晰。
- 噪声分析:研究随机噪声的行为,识别数据中的异常值或模式。
2.4 Python实现时间序列分解
from statsmodels.tsa.seasonal import seasonal_decompose
# 使用乘法模型进行时间序列分解
result = seasonal_decompose(time_series_data, model='multiplicative', period=12)
# 绘制分解结果
result.plot()
plt.show()
在上述代码中,seasonal_decompose
函数用于将时间序列分解为趋势、季节性和随机分量。参数model='multiplicative'
表示使用乘法模型,period=12
假设周期性为12(例如每年有12个月)。
3. ACF与时间序列分解的结合使用
3.1 识别季节性
通过ACF图,可以识别时间序列中的季节性特征。如果在某个滞后期(如12个月)处出现显著的自相关性,数据可能存在年周期性。
3.2 解释分解结果
通过时间序列分解,可以更清晰地看到季节性、趋势等分量,然后通过ACF图分析残差(噪声)的相关性,检查是否存在其他未解释的周期性或趋势。
# 分解时间序列
result = seasonal_decompose(time_series_data, model='multiplicative', period=12)
# 取出残差部分进行ACF分析
residual = result.resid.dropna()
# 绘制残差的ACF图
plot_acf(residual, lags=40)
plt.show()