自相关函数/自相关曲线ACF
AR(1)模型的ACF:
模型为:
![](https://i-blog.csdnimg.cn/blog_migrate/23e14a1013d81e98cda90fc9528e9851.jpeg)
当其满足平稳的必要条件|a1|<1时(所以说,自相关系数是在平稳条件下求得的):
y(t)和y(t-s)的方差是有限常数,y(t)和y(t-s)的协方差伽马s
![](https://i-blog.csdnimg.cn/blog_migrate/f0393e497ff48ca998b2d54b0b11dd05.jpeg)
除以伽马0,可求得ACF如下:
![](https://i-blog.csdnimg.cn/blog_migrate/05d0b0390b43f4603753f7987237c7fc.png)
![](https://i-blog.csdnimg.cn/blog_migrate/af93a0cf42c8273c35e75d95cb72d8ef.png)
![](https://i-blog.csdnimg.cn/blog_migrate/2c54f68b149be6cd026fe807a0ec41c3.jpeg)
由于{rhoi}其在平稳条件|a1|<1下求得,所以平稳
0<a1<1则自相关系数是直接收敛到0-1<a1<0则自相关系数是震荡收敛到0
![](https://i-blog.csdnimg.cn/blog_migrate/a438cc79a3e18ad3104ba0fce1a21774.png)
![](https://i-blog.csdnimg.cn/blog_migrate/94efff49dc88abf0a339cafa2722ef61.png)
对于AR(2)模型的ACF:
![](https://i-blog.csdnimg.cn/blog_migrate/94109eeb656f61dcdc693aaf8d34fa26.jpeg)
两边同时乘以y(t),y(t-1),y(t-2)......得到yule-Walker方程,然后结合平稳序列的一些性质(yule-Walker方程法确确实实用了协方差只与时间间隔有关的性质),得到自相关系数如下:
rho0恒为1
![](https://i-blog.csdnimg.cn/blog_migrate/f270ae582424778d1b40c182a99eb220.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/8952d0f3261b35862015675281430aa2.jpeg)
令人惊喜的是,这个二阶差分方程的特征方程和AR(2)模型的是一致的。
所以,我们的rho本就是在序列平稳的条件下求得,所以{rhoi}序列也平稳。
当然,其收敛形式取决于a1和a2
![](https://i-blog.csdnimg.cn/blog_migrate/10eb14639bbb5331182d263376167b14.png)
MA(1)模型的ACF:
模型为:
![](https://i-blog.csdnimg.cn/blog_migrate/ea913ea1935f2103def8f9853a77883e.jpeg)
由于y(t)的表达式是由白噪声序列中的项组成,所以不需要什么平稳条件,就可以求得rho的形式如下: