1. 时间序列基础回顾：平稳性、白噪声、ACF与PACF

各位同学，咱们今天聊点实在的。时间序列分析，说白了就是跟数据的时间顺序较劲。你想想看，股票价格、气温变化、网站访问量——这些东西都有一个共同点：过去会影响未来。嗯，这就是时间序列的核心。

我个人习惯，在开始任何建模之前，先做三件事：画图、检验平稳性、看自相关。这三步走完，数据大概什么脾气，我心里就有数了。今天咱们就把这三个基础概念掰开揉碎了讲清楚。

1.1 平稳性：时间序列的“定海神针”

什么叫平稳？我打个比方。你站在海边看浪，虽然每个浪头高低不同，但整体来看，海平面是稳定的，浪的起伏幅度也差不多。这就是平稳——统计性质不随时间变化。

严格来说，平稳性分两种：

  • 严平稳：整个序列的联合分布不随时间平移而改变。这条件太苛刻，现实中基本不存在。
  • 弱平稳（宽平稳）：均值恒定、方差恒定、自协方差只与时间间隔有关。这是咱们实际用的。

核心条件（弱平稳）：

  • 均值 E(Yt) = μ（常数）
  • 方差 Var(Yt) = σ²（常数）
  • 协方差 Cov(Yt, Yt-k) = γk（只与滞后阶数 k 有关）

我在项目中遇到过一件事。有一次分析某电商平台的日销售额，数据看起来挺正常，但模型预测总是不准。后来一查——销售额有明显的季节性波动，方差在双十一期间暴涨。这就是非平稳的典型表现。解决办法？取对数、做差分，或者用季节调整。

避坑指南：我曾经犯过一个低级错误——直接用非平稳数据做回归。结果R²高达0.95，但残差自相关严重，这就是典型的“伪回归”。记住：非平稳数据做回归，结果再漂亮也是假的。

1.2 白噪声：最“干净”的时间序列

白噪声，说白了就是纯随机。每个观测值独立同分布，均值为0，方差恒定。你无法从过去预测未来，因为压根就没有规律可循。

数学定义很简单：

  • E(εt) = 0
  • Var(εt) = σ²
  • Cov(εt, εt-k) = 0（k ≠ 0）

你想想看，如果残差不是白噪声，说明模型没把信息提取干净。我个人的习惯是：模型建完后，第一件事就是检查残差是不是白噪声。如果是，模型基本合格；如果不是，继续调参。

小技巧：用Ljung-Box检验判断残差是否为白噪声。p值大于0.05，基本可以接受。我一般会看滞后10阶和20阶的结果，两个都通过才算数。

1.3 自相关函数（ACF）：序列与自己的“过去”对话

ACF衡量的是当前值与过去值之间的线性相关性。比如，今天的股价和昨天的股价有没有关系？和前天呢？

公式不复杂：

ρ(k) = Cov(Y_t, Y_{t-k}) / Var(Y_t)

其中 ρ(k) 就是滞后 k 阶的自相关系数。取值范围在 -1 到 1 之间。

怎么看ACF图？我总结了几条经验：

  • 缓慢衰减：序列可能是非平稳的，或者有趋势
  • 快速截尾：在某个滞后阶数后突然降到0附近，这通常是AR(p)模型的信号
  • 周期性波动：存在季节性成分

实战经验：有一次我分析某城市每日用电量数据，ACF图显示滞后7阶、14阶、21阶都有显著峰值。嗯，这就是典型的周周期效应。后来我用季节性ARIMA模型，效果立竿见影。

1.4 偏自相关函数（PACF）：剔除“中间人”后的真实关系

ACF有个问题——它会把间接相关也算进去。比如，Yt和Yt-2的相关性，可能完全是通过Yt-1传递的。PACF就是剔除中间变量后的“净”相关。

怎么理解？我举个例子。你和你的二大爷长得像，但仔细一看，你更像你爸。ACF看的是你和二大爷的相似度（可能通过你爸传递），PACF看的是去掉你爸的影响后，你和二大爷还有几分像。

PACF的解读规则：

  • 截尾：在p阶后突然降到0，提示AR(p)模型
  • 拖尾：缓慢衰减，提示MA(q)模型

我的习惯：看ACF和PACF图时，我会同时画两条虚线（±1.96/√n），这是95%置信区间。超出虚线的点才值得关注。别被那些刚好擦边的点迷惑——样本量小的时候，偶尔超出是正常的。

1.5 知识体系总览

说了这么多，咱们用一张图把关系理清楚。下面这张SVG图展示了本章的核心逻辑：

时间序列基础：核心概念与关系 时间序列数据 平稳性检验 白噪声检验 ACF（自相关函数） PACF（偏自相关） Ljung-Box检验 残差诊断 模型识别 → 参数估计 → 诊断检验 （ACF/PACF决定模型阶数）

1.6 实战：用Python快速上手

光说不练假把式。咱们用Python跑一遍基础检验。我习惯用statsmodels库，它把ACF、PACF、平稳性检验都封装好了。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import acf, pacf, adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 生成示例数据：AR(1)过程 + 白噪声
np.random.seed(42)
n = 200
phi = 0.7
epsilon = np.random.normal(0, 1, n)
y = np.zeros(n)
for t in range(1, n):
    y[t] = phi * y[t-1] + epsilon[t]

# 1. 平稳性检验（ADF检验）
adf_result = adfuller(y)
print(f'ADF统计量: {adf_result[0]:.4f}')
print(f'p值: {adf_result[1]:.4f}')
# p值小于0.05，拒绝非平稳原假设 → 序列平稳

# 2. 绘制ACF和PACF
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(y, lags=20, ax=ax1)
plot_pacf(y, lags=20, ax=ax2)
plt.tight_layout()
plt.show()

输出解读：

  • ADF检验p值小于0.05 → 序列平稳
  • ACF图：缓慢衰减（因为AR(1)的ACF是指数衰减的）
  • PACF图：在滞后1阶处显著，之后截尾 → 提示AR(1)模型

嗯，这里要注意一点。ADF检验的p值如果接近0.05，别急着下结论。我一般会再跑一个KPSS检验做交叉验证。两个检验结果一致，我才放心。

1.7 常见误区与避坑

做时间序列分析这些年，我踩过不少坑。挑几个典型的说说：

  • 误区一：ACF衰减慢就一定是非平稳。不一定！强自相关的平稳序列（比如AR(1)的φ接近1）ACF也会衰减很慢。要结合ADF检验看。
  • 误区二：白噪声就是正态分布。白噪声只要求独立同分布，不要求正态。t分布、均匀分布都可以是白噪声。
  • 误区三：只看ACF不看PACF。我见过有人只看ACF就定了模型阶数，结果模型残差还有自相关。ACF和PACF要配合着看，就像左右手一样。

我曾经踩过的坑：有一次做金融数据建模，ACF图显示滞后5阶显著，我直接定了MA(5)模型。结果模型拟合效果很差。后来仔细看PACF，发现滞后5阶也显著——其实是AR(5)才对。ACF和PACF一起看，才能避免这种误判。

好了，这一章的内容就到这里。平稳性、白噪声、ACF、PACF——这四个概念是时间序列分析的基石。你想想看，如果连数据稳不稳定、有没有规律都搞不清楚，后面的建模就是空中楼阁。下一章咱们会深入讨论单位根检验，那才是真正检验平稳性的“照妖镜”。

专注资料整理
← 上一章 📖 返回目录 下一章 →