arma模型_时间序列 | ARMA模型的性质

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会有很多个自相关系数，分别对应不同的滞后阶数，

中间的点就表示滞后阶数。其公式写作

有时候我们会把自协方差（Autovariance）记作

，显然

就是方差。这样的话自相关系数就可以写作

对于一个时间序列来说，往前看和往后看是没什么差别的。怎么理解这一点呢？比如说我给自己定一个规矩，如果我在7天之前吃了个可颂当早餐，我今天就一定会吃一个可颂当早餐。也就是说我在每周的固定一天都会吃可颂（因为每周三买可颂送积分，手动划掉）。而这件事完全等价于如果我今天吃了一个可颂，我7天之后就一定会吃一个可颂，于是往前看和往后看就没什么差别了。故而

，我们只需要关注

的情况就好。

说了那么多，ACF（自相关方程）到底是个什么东西呢？通俗易懂一点讲，它就是把

放在横轴，把

放在纵轴的一张图。它展现了滞后阶数和相关系数之间的关系。

PACF叫偏自相关方程，听起来很高大上，其实它比起ACF来说就是多了个P而已。偏（partial）这个概念指的是直接关系，想想偏微分的概念是什么大概就可以理解一下了。正式一点来说，偏自相关方程展现了滞后阶数和偏相关系数

之间的关系。用公式表达的话就是

当然，如果没看明白PACF是什么的话也大可不必慌张，毕竟估计你也没几个同学真的搞明白它是什么的不是。当然你实在要硬抠的话可以记住这个例子，不管我周二是不是（打赌输了）吃了100个可颂，我每周三都会吃一个可颂，雷打不动。

下面我们来说说ACF和PACF和阿玛模型有什么关系。我们先考虑一个协方差平稳（这个概念之后会讲）的AR(1)过程，它大概可以写成

这个样子，或者是

。 那么它的ACF会是什么呢？首先

就很明显了

滞后第二阶往下也可以用相同的办法得到，简单的迭代一下就好。

然后我们算一下方差。由平稳性可知，

，所以我们从AR（1）的结构就可以知道

这里的

是

的方差。至此，我们就可以搞出AR（1）的ACF啦，它可以用

来表示如下。AR（1）的ACF呈现出完美的几何递减趋势（geometrically decreasing），说明越久的历史对现在的影响越小。如果吃可颂也符合AR（1）的话，那就是我一年前吃没吃可颂对我今天吃不吃影响不大，但是一周前吃没吃对现在影响很大。

PACF的计算相对而言比较困难，一般电脑也会自动帮忙算。但是很显然

，大家可以思考一下为什么。

MA模型和ARMA模型的ACF计算留到下次再讲，祝大家都能吃到不软不硬不混酥的可颂。