模型的自相关系数计算_时间序列 | ARMA模型的性质

最新推荐文章于 2023-05-07 10:24:36 发布

杨明月luna

最新推荐文章于 2023-05-07 10:24:36 发布

阅读量4.9k

点赞数

文章标签：模型的自相关系数计算

本文链接：https://blog.csdn.net/weixin_32049741/article/details/112639338

版权

本文介绍了ARMA模型中的自相关函数(ACF)和偏自相关函数(PACF)的重要性和概念。ACF表示时间序列自身与其滞后项的相关性，而PACF展示了滞后阶数与偏相关系数的关系。通过这两个函数，可以揭示线性时间序列数据生成过程的特性。文章以可颂面包为例，帮助理解自相关和偏自相关，并简要提及AR(1)过程的ACF和PACF计算。

摘要由CSDN通过智能技术生成

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