数据序列相关性-ACF，PACF和CCF

最新推荐文章于 2026-06-23 16:29:47 发布

原创

最新推荐文章于 2026-06-23 16:29:47 发布 · 2.8w 阅读

·

17

·

本文深入探讨时间序列分析中的自相关函数(ACF)、偏自相关函数(PACF)及交叉相关函数(CCF)的计算方法与应用，通过Python代码示例详细解释各指标的含义与置信区间计算。

引言

最近写论文关于预测的特征选择遇到一些问题，想把自己查询学习到的东西整理记录一下，理一理头绪，希望能加深自己对这些东西的理解。首先介绍引入几个概念：自相关函数（autocorrelation function，ACF）、偏自相关函数（partial autocorrelation，PACF）和互相关函数（cross-correlation function，CCF）。接下来介绍每个指标的计算方法和用途：

1. ACF

顾名思义，自相关函数是针对单个时间序列的，对于时间序列 $\{x_t\}$ ,滞后k阶的自协方差函数（autocovariance function，ACVF）为[1]:

$c_k = \frac{1}{n}\sum_{t=1}^{n-k} \left(x_t-\bar{x}\right) \left(x_{t+k}-\bar{x}\right)$ ，

即 $c_0 = \frac{1}{n}\sum_{t=1}^{n} \left(x_t-\bar{x}\right) ^2$

ACF被定义为：

$acf_k = \frac{c_k}{c_0} = \text{Cor}(x_t,x_{t+k})$

我理解的也等同于序列 $\{x_t\}$ 与 $\{x_{t+k}\}$ 的pearson相关系数。置信区间一般使用下式进行计算[2]：

标签

#python #自相关函数 #ACF #PACF #CCF

最低0.47元/天解锁文章

评论 6

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。