自相关函数和偏自相关函数

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。了解了此内容，您就可以确定 ARIMA 模型中过程的顺序。更具体来说，

• 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。

图 1. 序列的 ACF 图

ACF 图的 x 轴表示计算自相关处的延迟； y 轴表示相关值（介于 −1 和 1 之间）。例如，ACF 图中延迟 1 处的峰值表示每个序列值与前面的值强相关，延迟 2 处的峰值表示每个值与以前两个点之间的值强相关，依此类推。

• 正相关表示较大的当前值与指定延迟处较大的值相对应；负相关表示较大的当前值与指定延迟处较小的值相对应。
• 相关的绝对值是关联强度的测量，绝对值越大表明关系越强。

拖尾：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)

截尾：在大于某个常数k后快速趋于0为k阶截尾

如果从自相关图来看，呈现三角对称形式，不存在截尾或拖尾，属于单调序列的典型表现形式，原始数据属于不平稳序列。

注：

• 如果自相关是拖尾，偏相关截尾，则用 AR 算法
• 如果自相关截尾，偏相关拖尾，则用 MA 算法
• 如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。