转载自:Bilibili视频_应用时间序列分析 第一章~第三章
模型 | ACF | PACF |
---|---|---|
AR | 拖尾 | 截尾 |
MA | 截尾 | 拖尾 |
ARMA | 拖尾 | 拖尾 |
AR模型
案例1
现有根据如下模型生成数据,并画出样本自相关图
x
T
=
0.8
x
t
−
1
+
ε
t
x_T=0.8x_{t-1}+\varepsilon_t
xT=0.8xt−1+εt
拖尾: 自相关系数按负指数单调收敛至零。
计算得
ϕ
k
k
\phi_{kk}
ϕkk:
ϕ
k
k
=
{
0.8
,
k
=
1
0
,
k
≥
2
\phi_{kk}=\begin{cases}0.8 &,k=1\\ 0 &,k\geq2 \\ \end{cases}
ϕkk={0.80,k=1,k≥2
截尾: 偏自相关系数迅速降低到0附近(没有完全为0是因为该数据有扰动项 ε t \varepsilon_t εt的存在。
案例2
第二个模型:
x
t
=
x
t
−
1
−
0.5
x
t
−
2
+
ε
t
x_t=x_{t-1}-0.5x_{t-2}+\varepsilon_t
xt=xt−1−0.5xt−2+εt
拖尾: 自相关系数呈现出余弦衰减。
计算得
ϕ
k
k
\phi_{kk}
ϕkk:
ϕ
k
k
=
{
2
3
,
k
=
1
−
0.5
,
k
=
2
0
,
k
≥
3
\phi_{kk}=\begin{cases} \dfrac{2}{3} &,k=1\\ -0.5 &,k=2\\ 0 &,k\geq3 \end{cases}
ϕkk=⎩⎪⎪⎨⎪⎪⎧32−0.50,k=1,k=2,k≥3
偏自相关图截尾
MA模型
总结
- 截尾比拖尾趋近于0更加迅速
- 截尾在后期不会再有明显的增加。
下图图1拖尾,图2截尾。