前情提要:经历了残酷的毕业论文写作申请学校面试等乱七八糟的事情之后,年更博主再度上线。上回说到,ARMA模型是一个数据生成过程,忘掉什么是数据生成过程的同学可以找上一篇复习一下。现在我们来探究一下这个模型的一些特质。
对于阿玛(ARMA)这样的线性模型来说,最重要的特质大概就是它的自相关方程(Autocorrelation Function, ACF)和偏自相关方程(Partial Autocorrelation Function, PACF)了。这两个东西非常厉害,厉害到什么地步呢?当你对大多数非经济学/统计学的同学讲这两个东西的时候,得到的回复基本上会是“Auto... what?”。开个玩笑,其实它们的重要性在于,它们可以描绘出一个线性线性时间序列数据生成过程的全部特征。下面我们展开来讲它们到底是个什么鬼。
ACF叫自相关方程。什么叫自相关?自相关就是自己和自己(的滞后项)的相关性。打个比方,你每天早餐都要吃一个可颂,那么你每天吃可颂这个行为就是自相关的,而且相关系数为1(不变);但是如果你和你的朋友每天都吃一个可颂,你们两个之间的关系就不叫自相关,而叫相关(cross correlation)。相关系数大家都会算,无非就是
自相关系数通常会使用
来表示,和普通的相关系数一样,它也是介于-1和1之间的数值。考虑到时间序列的特征,一个ARMA会有很多个