深入剖析时间序列分析中的重要工具，ACF图与PACF图

2026-06-13 20:51:59 118阅读

在时间序列分析中，ACF图（自相关函数图）和CF图（通常指PACF图，偏自相关函数图）是重要工具，ACF图展示了时间序列观测值与其自身滞后值之间的相关性，能反映序列的整体相关结构，PACF图则衡量在剔除中间滞后项影响后，两个观测值之间的相关性，有助于识别时间序列模型的阶数，通过深入解析这两种图，可更好地理解时间序列的特征，为选择合适的建模 *** 提供关键依据，在诸如经济预测、信号处理等领域有广泛应用。

在时间序列分析的领域中,自相关函数（Autocorrelation Function，简称ACF）图和偏自相关函数（Partial Autocorrelation Function，简称PACF）图是至关重要的分析工具，它们为我们理解时间序列数据的结构和特征提供了关键的视角。

ACF图：揭示序列的总体相关性

自相关函数衡量的是时间序列在不同滞后阶数下的相关性,通俗来讲，就是一个时间序列在当前时刻的值与过去不同时刻值之间的相关程度。

计算原理与公式

给定一个时间序列${X_t}$，其自相关函数$\rho_k$在滞后阶数$k$的计算公式为：

$\rho_k=\frac{\gamma_k}{\gamma_0}$

$\gamma_k = E[(Xt-\mu)(X{t - k}-\mu)]$是滞后$k$阶的自协方差，$\gamma_0$是时间序列的方差，$\mu$是时间序列的均值。

ACF图的呈现与解读

ACF图以滞后阶数$k$为横轴，以自相关系数$\rho_k$为纵轴，图中通常会有两条虚线，代表着在一定置信水平下的临界值（一般为$\pm\frac{1.96}{\sqrt{n}}$，$n$为样本数量），\rho_k$的值落在虚线之外，就表明在该滞后阶数下，时间序列存在显著的相关性。

通过观察ACF图,我们可以初步判断时间序列是否具有平稳性，如果ACF图随着滞后阶数的增加迅速衰减到零，通常意味着时间序列是平稳的；而如果ACF图衰减缓慢或者不衰减，可能表示时间序列存在趋势或季节性等非平稳特征，ACF图还能帮助我们识别时间序列中的周期性模式，若在某些特定的滞后阶数上自相关系数出现明显的峰值，可能暗示着序列存在相应周期的波动。

CF图（PACF图）：剔除中间项影响后的相关性

偏自相关函数是在剔除了中间$k - 1$个随机变量的干扰之后，$Xt$与$X{t - k}$之间的相关性。

计算 ***

PACF的计算相对复杂一些,常见的计算 *** 有Yule - Walker方程法等，直观上理解，它能够更准确地反映出两个时间点之间的直接相关性，而不受中间其他时间点的间接影响。

PACF图的呈现与解读

PACF图同样以滞后阶数$k$为横轴，以偏自相关系数$\varphi_{kk}$为纵轴，也有类似的临界值虚线，如果PACF图在某一阶数$p$之后迅速衰减到零（即落入虚线范围内），则可以初步认为该时间序列适合用$AR(p)$（自回归）模型来进行建模；如果ACF图在某一阶数$q$之后迅速衰减到零，而PACF图呈现出拖尾的特征，则可能适合用$MA(q)$（移动平均）模型；若两者都呈现拖尾特征，则可能需要考虑$ARMA(p,q)$（自回归移动平均）模型。