时间序列：理解好ACF自相关 与 PACF偏自相关

ACF和PACF图的直观认识

先不说啥别的概念了，了解世界观不如了解方法论

自回归直观认识(intuition)

• 由自回归(AR)过程产生的滞后时间为k的时间序列。
• ACF描述了一个观测值与另一个观测值之间的自相关，包括直接和间接的相关性信息。这意味着我们可以预期AR(k)时间序列的ACF使用了k的滞后，并且这种关系的惯性将继续影响到之后的滞后值，并随着逐步削弱到在某个点上缩小到没有。
• PACF只描述观测值与其滞后(lag)之间的直接关系。这表明，超过k的滞后值(lag value)不会再有相关性。

滑动平均直观认识(Moving Average Intuition)

• 考虑由滑动平均(MA)过程产生的滞后(lag)时间为k的时间序列。滑动平均过程是先前预测的残留偏差的时间序列的自回归模型。
• 考虑滑动平均模型的另一种方法是根据最近预测的错误修正未来的预测。
• 我们期望MA(k)过程的ACF与最近的lag值之间的关系显示出强烈的相关性，然后急剧下降到低或者无相关性。根据定义，这解释了整个过程是如何产生的。
• 对于PACF，我们预计图会显示与滞后(lag)的关系，以及滞后(lag)之前的相关。

汇总

• 自相关和偏自相关用于测量当前序列值和过去序列值之间的相关性，并指示预测将来值时最有用的过去序列值。
  • 自相关函数 (ACF)。延迟为 k 时，这是相距 k 个时间间隔的序列值之间的相关性。
  • 偏自相关函数 (PACF)。延迟为 k 时，这是相距 k 个时间间隔的序列值之间的相关性，同时考虑了间隔之间的值。

截尾与拖尾是什么鬼？

• 截尾：时间序列的自相关函数（ACF）或偏自相关函数（PACF）在某阶后均为0的性质（比如AR的PACF）
  • 在大于某个常数k后快速趋于0为k阶截尾
• 拖尾：ACF或PACF并不在某阶后均为0的性质（比如AR的ACF）
  • 始终有非零取值，不会在k大于某个常数后就恒等于零(或在0附近随机波动)

自回归移动平均模型(ARMA(p，q))是时间序列中最为重要的模型之一，它主要由两部分组成： AR代表p阶自回归过程，MA代表q阶移动平均过程，其公式如下：
依据模型的形式、特性及自相关和偏自相关函数的特征，总结如下：

在时间序列中，ARIMA模型是在ARMA模型的基础上多了差分的操作。

参考资料：https://www.biaodianfu.com/acf-pacf.html