本文介绍了ACF（自相关系函数）和PACF（偏自相关函数）在时间序列分析中的作用，特别是在确定ARIMA模型阶数时的重要性。ACF用于AR模型，其拖尾性可能表明随机事件影响；而PACF的截尾性则指示AR模型的阶数，两者结合帮助识别最佳模型配置。
这一篇文章， 从理解的角度来阐述相关的含义。
我们知道在时间序列分析中，常用的模型有ARMA、AR和MA模型。
建立模型的前期， 需要确定阶数，例如AR(P)模型的参数P。
这时就需要根据时间序列的ACF和PACF函数值来确定， 然后建立模型， 最后需要检验模型的效果。
注意：模型的ACF是根据定义求值然后建立ACF图，再确定阶数。
ACF是自相关系函数的简称
公式1：
公式1，是自相关系数的定义，表示间隔为K的时间序列之间的相关系数值。
公式2：
公式2是AR(K)模型推导的自相关系数，是需要用数据进行求近似值。
公式2前题是平稳性时间序列，可以推导出公式2
PACF是偏自相关函数
公式1：
实际是与在扣除
最低0.47元/天 解锁文章
扫一扫
2157
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
