偏相关与自相关图(ACF和PACF)结果解读：ARIMA模型定阶依据.docxVIP

偏（自）相关图结果解读

自相关函数（ACF,AutocorrelationFunction）和偏自相关函数（PACF,PartialAutocorrelationFunction）是时间序列分析中用于识别ARIMA模型阶数的重要工具。ACF衡量的是时间序列在不同滞后阶数下的总体相关性，即当前观测值与滞后k期观测值之间的相关程度；PACF则衡量在控制了中间滞后阶数的影响之后，当前观测值与滞后k期观测值之间的直接相关性。

ACF和PACF图的截尾和拖尾特征是判断ARIMA模型类型和阶数的关键依据。若ACF图在q阶后截尾（即q阶后ACF值接近于0）且PACF图拖尾，则模型可识别为MA(q)；若PACF图在p阶后截尾且ACF图拖尾，则模型可识别为AR(p)；若ACF和PACF均拖尾，则需要拟合ARMA(p,q)模型。此外，Ljung-BoxQ统计量可用于检验序列是否存在自相关性。本研究借助SPSSAU软件，对时间序列x1的ACF和PACF进行系统分析。

在SPSSAU【计量经济研究】模块选择【偏(自)相关图】，将变量拖拽至右侧对应分析框，操作如下图：

一、ACF和PACF数值结果

表1展示了序列x1从1阶到20阶的ACF值、PACF值以及Ljung-BoxQ统计量及其对应的p值。

从ACF值来看，各滞后阶数的自相关系数绝对值整体较小。其中，9阶的AC值最为突出（-0.194）