这里写自定义目录标题
ACF:加粗样式
参考链接:https://blog.csdn.net/perke/article/details/117732680
自相关,也叫做序列相关,是一个信号于其自身在不同时间点的互相关。非正式地来说,它就是两次观察之间地相似度对他们之间地时间差的函数。它是找出重复模式(如被噪声掩盖的周期信号),或识别隐含在信号谐波频率中消失的基频的数学工具。常用于信号处理中分析函数或者一系列值,如时域信号。
偏自相关函数(PACF)(partial autocorrelation function)
1、对于一个平稳AR(p)模型,求出滞后k自相关系数p(k)时
实际上得到的并不是x(t)与x(t-k)之间单纯的相关关系
2、x(t)同时还会受到中间k-1个随机变量x(t-1)、x(t-2)……、x(t-k+1)的影响,而这k-1个随机变量又都和x(t-k)具有相关关系,所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t-k)的影响
3、剔除了中间k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的干扰之后
x(t-k)对x(t)影响的相关程度
4、ACF还包含了其他变量的影响
而偏自相关系数PACF是严格这两个变量之间的相关性
——————————————————————————
当 PACF 截尾性, ACF拖尾, 用AR§模型, 为什么?
理解1:
因为当PACF截尾,且偏相关系数大,且仅和相对应的滞后项有关。如果拖尾,可能是随机事件影响。
ACF拖尾证明当前值和前k个时刻有关,但是随着时间的递增,相关性在减弱;PACF是剔除了不相关数据影响的自相关系数,如果截尾,证明当前之和前k个序列相关,和第k+1个时刻无关。
ARIMA:https://blog.csdn.net/m0_46262108/article/details/122806515