自相關係數和偏相關係數
這一篇文章, 從理解的角度來闡述相關的含義。
我們知道在時間序列分析中,常用的模型有ARMA、AR和MA模型。
建立模型的前期, 需要確定階數,例如AR(P)模型的引數P。
這時就需要根據時間序列的ACF和PACF函式值來確定, 然後建立模型, 最後需要檢驗模型的效果。
注意:模型的ACF是根據定義求值然後建立ACF圖,再確定階數。
ACF是自相關係函式的簡稱
公式1:
(
k是間隔的階數
) (1)
公式1,是自相關係數的定義,表示間隔為K的時間序列之間的相關係數值。
公式2:
(
k是間隔的階數,p是AR(p)模型中的階數
) (2)
公式2是
AR(K)模型
推導的自相關係數,是需要用資料進行求近似值。
公式2前題是平穩性時間序列,可以推匯出公式2
PACF是偏自相關函式
公式1:
實際是與在扣除
到
的影響後的偏相關係數。就是
。
和自相關函式比可以方便看出其意義。
偏自相關函式的意義:
當前值與前K個值相關, 與前K+1,K+2, 。。 等值沒有相關性。(再向前增加變數也不能改進預測效果),這種性質叫做AR模型的偏自相關函式截尾性。
平穩過程的自相關係數和偏自相關係數都會以某種方式衰減趨近 於0,前者測度當前序列與先前序列之間簡單和常規的相關程度, 後者是在控制其它先前序列的影響後,測度當前序列與某一先前序列之間的相關程度。
當 PACF 截尾性, ACF拖尾, 用AR(P)模型, 為什麼?
理解1:
因為當PACF截尾,且偏相關係數大,且僅和相對應的滯後項有關。如果拖尾,可能是隨機事件影響。
理解2:
AR(p) 模型:
MA(q) 模型:
當s大於q時,MA(q)過程的自相關係數全部為零,因此形象的稱:
MA(q)過程的自相關函式具有q階截尾特性。
問題:MA(q)的自相關函式是ACF 嗎?
根據下表中, 需要ACF截尾性, 那麼自相關函式截尾性,是判斷MA模型階數的方法, 因為上面的分析。(這裡還是有疑問)
以下為引用:
依據模型的形式、特性及自相關和偏自相關函式的特徵,總結如下:
在時間序列中,ARIMA模型是在ARMA模型的基礎上多了差分的操作。
相關參考:
如何理解自相關和偏自相關圖 - 標點符
https://
otexts。com/fppcn/autoco
rrelation。html
https://
wenku。baidu。com/view/e8
88c4c8a1c7aa00b52acbfa。html
關於ARIMA系列模型:為什麼 自相關拖尾 偏相關截尾 就用AR?
https://
blog。csdn。net/anthea_lu
o/article/details/97169135