ARIMA模型中自相关函数（ACF）与偏自相关函数（PACF）的识别.docxVIP

ARIMA模型中自相关函数（ACF）与偏自相关函数（PACF）的识别

引言

在时间序列分析领域，ARIMA（自回归积分滑动平均）模型是最经典的线性建模工具之一，广泛应用于经济预测、气象分析、工程监测等领域。该模型的核心在于通过“自回归（AR）”“差分（I）”“滑动平均（MA）”三个模块捕捉序列的动态规律，而模型参数（即AR阶数p、差分阶数d、MA阶数q）的准确识别则是建模成功的关键。在这一过程中，自相关函数（AutocorrelationFunction,ACF）与偏自相关函数（PartialAutocorrelationFunction,PACF）作为“诊断工具”，通过图形化的滞后相关性分析，为模型定阶提供了直观依据。二者的识别不仅是ARIMA建模的核心步骤，更是理解时间序列内部依赖结构的重要途径（Box等，1976）。本文将围绕ACF与PACF的理论内涵、识别逻辑及实践要点展开系统论述，以期为时间序列分析的学习者与实践者提供清晰的方法论指导。

一、ARIMA模型与ACF、PACF的理论关联

（一）ARIMA模型的基本结构

ARIMA模型的完整表达式可概括为：经过d阶差分后的平稳序列(y_t^*)满足AR(p)与MA(q)的组合关系，即(y_t^*=1y{t-1}^*+…+py{t-p}^*+_t1{t-1}…q{t-q})（其中(