ACF与PACF：时序自相关分析利器

可视化演示

展示自相关函数ACF与偏自相关函数PACF的棒图、置信区间检验、截尾拖尾模式识别及ARIMA定阶规则。

自相关函数

你站在山谷口朝对面崖壁大喊一声“喂”。第一声回声几乎和原声一样响亮，第二次回声弱了一些，第三次更弱……把“每秒响度”记成序列，就会看到它天然带着一层一层地向过去“回望”的关联。自相关函数（ACF）干的活，就是把这种“隔了 k 步的相似度”逐条算出来。

自相关函数把序列和它自己滞后 k 步的版本配对，计算线性相关。先让每个观测值减去均值得到离差，再把第 t 时刻的离差和第 t-k 时刻的离差相乘并求和，得到协方差；最后除以总方差做归一化，结果就在 [-1,1] 之间。ρₖ 越接近 1，说明隔 k 步的两个值倾向同方向变化；越接近 -1，倾向反方向；接近 0，则基本无关。

所以 ACF 就是一张“回声强度谱”：k=1 的柱是第一声回声与原声的相似度，k=2 是第二声，依此类推。平稳序列若有持续记忆，这些柱就会逐级下降；白噪声序列的柱则散落着趴在零点附近。

偏自相关函数

山谷往往不止一面崖壁。第一次回声可能来自东壁，第二次回声既可能来自西壁，也可能来自东壁的二次反弹。若你想单独问“东壁到底直接反射了多少”，就得捂住耳朵，把前面所有回声的影响遮掉，再仔细听那一声。偏自相关函数（PACF）做的就是这件事。

数学上，PACF 的第 k 阶系数 $\phi_{kk}$ 等价于用 k 个滞后项做回归 $Y_t = \phi_{k1}Y_{t-1} + \cdots + \phi_{kk}Y_{t-k} + \varepsilon_t$ 时，最后一项 $Y_{t-k}$ 的系数。它衡量的是“剔除第 1 到 k-1 个滞后变量的线性影响后，$Y_t$ 和 $Y_{t-k}$ 之间独有的相关性”。实际计算并不需要做 k 次回归，而是用 Levinson-Durbin 递推从 ACF 快速求出。

用一句话总结比喻：ACF 是整串回声的混响测量，PACF 是逐一拆开每面山壁的直接反射。

截尾与拖尾

假如山谷里只有一面孤零零的崖壁，回声会“咚、咚、咚……”响几下后突然消失，这种响到某一阶戛然而止的现象叫截尾。假如山势连绵起伏、岩壁重重叠叠，回声就会一级比一级弱，却迟迟不归零，这叫拖尾。这两个词是 ACF/PACF 图形判读的核心。

判断截尾还是拖尾，不能光凭肉眼觉得“柱子小了”，要借助置信带。当样本量足够大时，样本自相关系数近似服从均值为零、标准差约为 $1/\sqrt{n}$ 的正态分布，95% 的双侧置信区间就是 $\pm 1.96/\sqrt{n}$。

判读时把 ACF 和 PACF 两张图并排放在一起，回答三个问题：谁先截尾？在几阶截尾？谁在拖尾？答案决定了模型家族：AR、MA 还是 ARMA。

AR模型定阶

AR 模型像山谷中一连串固定的岩壁：当前这一次响度，是最近几下回声按固定反射率叠加出来的。若当前值只依赖过去 p 个值，就是 p 阶自回归模型 AR(p)。这类过程的核心假设是“惯性”——过去的状态会持续影响未来。

AR(p) 的识别规则是：PACF 在 p 阶后截尾，ACF 呈拖尾衰减。比如 PACF 第 3 阶之后全部落在置信带内，而 ACF 像回声一样缓慢下降，就可以初步选择 AR(3)。

MA模型定阶

MA 模型更像向平静水面丢一颗石子：石子激起涟漪，每一圈波纹只扩散有限的几圈，然后水面恢复平静。这里的“石子”是每次随机冲击 $\varepsilon_t$，而“波纹圈数”就是 q。MA(q) 表示当前值由最近 q 次随机冲击的加权组合决定。

MA(q) 的识别规则是：ACF 在 q 阶后截尾，PACF 呈拖尾衰减。例如 ACF 在滞后 2 之后突然落入置信带内，优先考虑 MA(2)。

ARIMA综合定阶

如果山谷地面本身在缓慢抬升或下降，回声的强弱就会被“地势漂移”污染，听起来好像永远有长记忆。这时必须先拿推土机把地面铲平——对序列做差分。铲平后的山谷里，回声规律才清晰可辨。把差分次数记为 d，就有了 ARIMA(p,d,q) 综合模型。

ARIMA 模型本质上是对差分后的平稳序列再建立 ARMA 模型：先用 d 次差分消除趋势，再用 AR(p) 描述“惯性回声”，用 MA(q) 描述“涟漪冲击”。

定阶的完整流程是：平稳性检验 → 确定 d → 画 ACF/PACF → 确定 p、q → 用 AIC/BIC 在邻近候选中选出最优模型 → 做残差白噪声诊断。

平稳性前提

自相关分析需要一把“稳定的尺子”：如果山谷一会儿晴天、一会儿暴雨，第一秒和最后一秒的回声就没有可比性。平稳性要求序列的均值、方差恒定，自相关只依赖滞后间隔 k 而不依赖具体时刻 t。不满足这个前提，ACF/PACF 的读数全部失真。

若方差随时间增大，可先做对数变换或 Box-Cox 变换让波动幅度均匀；若存在趋势或周期性，则需差分或提取周期成分。模型建好后，常用的白噪声检验是 Ljung-Box 检验：如果残差中不再有任何自相关，就说明模型已经把信息提取干净了。

一句话总结：平稳性是回声分析的“校准基线”。先差分、变换把山谷铲平，再数回声，模型定阶才不会乱套。

AI 应用场景

Python 演示

import numpy as npimport pandas as pdfrom statsmodels.tsa.arima_process import arma_generate_samplefrom statsmodels.graphics.tsaplots import plot_acf, plot_pacffrom statsmodels.stats.diagnostic import acorr_ljungboxfrom statsmodels.tsa.stattools import acf, pacfimport matplotlib.pyplot as plt np.random.seed(42)n = 300 # 构造 AR(2) 过程：y_t = 0.6*y_{t-1} - 0.3*y_{t-2} + e_tar = np.array([1, -0.6, 0.3])ma = np.array([1])series = arma_generate_sample(ar=ar, ma=ma, nsample=n)df = pd.Series(series, name="sales") # 一阶差分，消除可能存在的均值漂移diff1 = df.diff().dropna() fig, axes = plt.subplots(4, 1, figsize=(9, 12))df.plot(ax=axes[0], title="原始序列")diff1.plot(ax=axes[1], title="一阶差分")plot_acf(diff1, lags=20, ax=axes[2])plot_pacf(diff1, lags=20, ax=axes[3], method="ywm")plt.tight_layout()plt.show() # 打印数值，观察 ACF 拖尾、PACF 2 阶截尾print("ACF :", np.round(acf(diff1, nlags=10), 3))print("PACF:", np.round(pacf(diff1, nlags=10, method="ywm"), 3)) # Ljung-Box 白噪声检验res = acorr_ljungbox(diff1, lags=[10], return_df=True)print(res)

1. ar = np.array([1, -0.6, 0.3])以 AR 特征多项式形式定义自回归结构，等价于 $y_t = 0.6y_{t-1} - 0.3y_{t-2} + e_t$。
2. series = arma_generate_sample(ar=ar, ma=ma, nsample=n)用 statsmodels 生成 300 个样本的 AR(2) 序列。
3. diff1 = df.diff().dropna()做一阶差分并丢弃首行缺失值，模拟生产环境中的“铲平地面”步骤。
4. plot_acf(diff1, lags=20, ax=axes[2])绘制 ACF 图，你会看到柱子缓慢衰减（拖尾）。
5. plot_pacf(diff1, lags=20, ax=axes[3], method="ywm")绘制 PACF 图，滞后 2 之后柱子落入置信带（截尾）。
6. acf(diff1, nlags=10)返回前 10 阶自相关数值，方便与图形互相印证。
7. acorr_ljungbox(diff1, lags=[10], return_df=True)对残差/序列做 Ljung-Box 检验，p 值小说明存在显著自相关。

常见误区

面试题