想象你站在群山环绕的山谷里，对着前方的崖壁大喊一声“喂——”。紧接着，你听到一连串层层叠叠的回声：有的直接撞上正前方崖壁弹回来，有的先弹到左面峭壁、再折射进右面岩洞，最后才飘回耳朵。你的耳朵分不清这些路径，只听见一个混合后越来越弱的“喂、喂、喂……”。时间序列也是如此：今天的数据，总是带着过去的影子。ACF（自相关函数）就像你听到的“总回声”，测量某一观测与过去所有路径叠加后的总相关；PACF（偏自相关函数）则像在实验室里搭起隔音墙，只留下那束“直直撞上正前方崖壁再弹回来”的直接回声。把序列画成图，观察 ACF 与 PACF 是“突然断掉”（截尾）还是“慢慢衰减”（拖尾），就能判断数据适合 AR 模型还是 MA 模型——这就是“定阶”。再加上 AIC、BIC 两个信息准则择优录取，ARIMA 建模的第一步就走稳了。

岗位关联

对 AI 从业者而言，掌握看图定阶与信息准则，是时序预测、智能运维、量化分析等方向的基本功——它帮你在建模第一步就避开“拍脑袋选参数”的坑，用科学方法锁定最优模型结构。

目录
  1. 可视化演示
  2. 时间序列基础
  3. ACF图解读
  4. PACF图解读
  5. AR模型定阶
  6. MA模型定阶
  7. 信息准则择优
  8. 完整定阶流程
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示ACF自相关函数截尾判断MA阶数、PACF偏自相关截尾判断AR阶数及AIC/BIC信息准则择优，揭示ARIMA模型定阶核心方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ACF自相关函数图 自相关：各滞后阶数的自相关系数值 置信带：±1.96/√n构成95%置信区间 截尾判断：ACF在q阶后截尾→MA(q)模型 ACF(k) = Corr(Y_t, Y_{t-k}) ACF截尾确定MA阶数q

时间序列基础

想象你站在山谷里喊了一声“喂——”。那声原始的呼喊，在时间序列里叫作白噪声：它是每个瞬间独立产生的随机扰动，既没有记忆也没有结构。一滴雨落进湖面，荡开几圈涟漪便消失，与明天的雨滴毫无关系——这就是白噪声的“纯粹”。

如果数据全是白噪声，我们根本不需要建模，直接预测均值即可。时序建模的前提，恰恰是“过去影响了现在”：今天的气温与昨天有关，今天的股价与历史波动有关。这种“前后牵扯”的关系，统计学上叫自相关（Autocorrelation），它刻画了序列内部隔开一段时间后的依赖强度。

白噪声是严格无自相关的序列，记为：

意思是每个时刻的扰动都来自均值为 0、方差恒定的随机波动，且不同时刻互不相关。在此基础上，建模还要求序列平稳：均值、方差不随时间漂移，自相关结构只与时间间隔有关。好比山谷的地形必须稳定，回声的模式才能被可靠测量。

如果山谷起了大雾、岩壁在移动（均值漂移、方差爆炸），你测得的所有“回声规律”都会失真。所以动手看图定阶之前，先要确认地形稳定——这就是平稳性检验的意义。

εt∼WN(0,σ2)\varepsilon_t \sim \text{WN}(0, \sigma^2)
白噪声（WN）是时序分析的“背景参照物”；平稳性则是看图定阶的前提条件。二者像山谷的“地形基准线”——地形不稳，回声规律就无从谈起。
  1. 白噪声记号WN 是 White Noise 的缩写，括号里分别是均值 0 和方差 σ²，表示“零均值、恒定方差、互不相关”。
    εt∼WN(0,σ2)\varepsilon_t \sim \text{WN}(0, \sigma^2)
  2. 零均值每个时刻的扰动期望都是 0，说明没有系统性偏差，就像山谷里的风声时大时小但总朝一个均衡的方向。
    E(εt)=0E(\varepsilon_t) = 0
  3. 恒定方差波动幅度稳定，不随时间膨胀或收缩，这是“地形稳定”的重要条件。
    Var⁡(εt)=σ2\operatorname{Var}(\varepsilon_t) = \sigma^2
  4. 不相关性任意两个不同时刻的扰动互不影响——这才是“雨滴涟漪各自消散”的数学表达。
    Cov⁡(εt,εs)=0(t≠s)\operatorname{Cov}(\varepsilon_t, \varepsilon_s) = 0 \quad (t \neq s)

ACF图解读

ACF 是“总回声”——你听到的每一段回声，都混杂了无数条反射路径：正前方的崖壁、侧面的峭壁、岩洞的折射……你无法分辨是哪条路传回来的，只知道“声音还在响”。ACF 同理：第 k 阶自相关系数衡量 Y_t 与过去 k 个时刻的 Y_{t-k} 之间的总相关，不管这联系是直接还是间接。

把相隔 k 期的两个观测挑出来，算它们的相关系数，就得到 ρ_k。把所有 k = 1, 2, 3… 的 ρ_k 连成一串柱状图，就是 ACF 图。

图上通常还有两条置信区间带：±1.96/√n。这像一个“背景噪音阈值”——山谷里总有些微风杂草的杂音，柱子落在这两条带内，就说明该阶自相关不显著，等于“没有真正的回声”。

看图时重点观察两个形态：截尾指从某一阶起，柱子突然全部落回置信带内、不再冒头——回声戛然而止；拖尾指柱子虽有波动但始终不收敛，呈指数式缓慢衰减——回声在山谷中绵延不绝。ACF 的形态直接预告了数据是短记忆还是长记忆。

ρk=Cov⁡(Yt,Yt−k)Var⁡(Yt)=γkγ0\rho_k = \frac{\operatorname{Cov}(Y_t, Y_{t-k})}{\operatorname{Var}(Y_t)} = \frac{\gamma_k}{\gamma_0}
ρ_k 的值域是 [-1, 1]。绝对值越接近 1，说明相隔 k 期的两个观测关联越强；落在置信带内则视为不显著。
  1. 自协方差 γ_k衡量相隔 k 期的两个观测的协同变动，正值表示同涨同跌，负值表示反向变动。
    γk=Cov⁡(Yt,Yt−k)=E[(Yt−μ)(Yt−k−μ)]\gamma_k = \operatorname{Cov}(Y_t, Y_{t-k}) = E[(Y_t - \mu)(Y_{t-k} - \mu)]
  2. 方差归一化用 γ_0（即方差）做分母，把协方差压缩到 [-1, 1]，消除量纲影响。
    ρk=γkγ0\rho_k = \frac{\gamma_k}{\gamma_0}
  3. 零阶恒等当 k = 0 时，协方差等于方差，所以 ρ_0 恒等于 1——就像自己和自己必然是“完美呼应”。
    ρ0=1\rho_0 = 1

PACF图解读

ACF 虽然能测出“总回声”，却说不清回声来自哪条路。PACF 就像是搭了一排吸音墙的隔音实验：要测量 Y_t 与 Y_{t-k} 之间的直接联系，就把中间 k-1 个时刻的影响用隔音墙全部挡掉，只留下那条“直直撞上正前方崖壁再弹回来”的路径。

偏自相关函数（Partial Autocorrelation Function）的每一个值，都是剔除中间变量之后的“净相关”。

实际计算常借助 Yule-Walker 方程组——用样本自相关系数构成矩阵，解出每一阶的偏自回归系数：

如果说 ACF 是一次“全景混响测试”，PACF 就是逐条路径的“定向测距”——它帮我们找到真正的直接依赖，无视那些绕来绕去的间接回声。

ϕkk=Corr⁡(Yt,Yt−k∣Yt−1,Yt−2,…,Yt−k+1)\phi_{kk} = \operatorname{Corr}(Y_t, Y_{t-k} \mid Y_{t-1}, Y_{t-2}, \ldots, Y_{t-k+1})
[1ρ1⋯ρk−1ρ11⋯ρk−2⋮⋮⋱⋮ρk−1ρk−2⋯1][ϕk1ϕk2⋮ϕkk]=[ρ1ρ2⋮ρk]\begin{bmatrix} 1 & \rho_1 & \cdots & \rho_{k-1} \\ \rho_1 & 1 & \cdots & \rho_{k-2} \\ \vdots & \vdots & \ddots & \vdots \\ \rho_{k-1} & \rho_{k-2} & \cdots & 1 \end{bmatrix}\begin{bmatrix} \phi_{k1} \\ \phi_{k2} \\ \vdots \\ \phi_{kk} \end{bmatrix}=\begin{bmatrix} \rho_1 \\ \rho_2 \\ \vdots \\ \rho_k \end{bmatrix}
解出系数向量后，取最后一个分量 φ_kk，就是第 k 阶偏自相关系数——它专门回答“排除了中间变量后，两件事还有没有直接联系”。
  1. 条件相关定义φ_kk 表示在给定中间所有时刻观测的条件下，Y_t 与 Y_{t-k} 的净相关。
    ϕkk=Corr⁡(Yt,Yt−k∣Yt−1,…,Yt−k+1)\phi_{kk} = \operatorname{Corr}(Y_t, Y_{t-k} \mid Y_{t-1}, \ldots, Y_{t-k+1})
  2. 自相关矩阵左边是 k×k 的对称矩阵，由 ρ_0 到 ρ_{k-1} 构成，像“隔音墙”的墙体布局。
    [1ρ1⋯ρk−1ρ11⋯ρk−2⋮⋮⋱⋮ρk−1ρk−2⋯1]\begin{bmatrix} 1 & \rho_1 & \cdots & \rho_{k-1} \\ \rho_1 & 1 & \cdots & \rho_{k-2} \\ \vdots & \vdots & \ddots & \vdots \\ \rho_{k-1} & \rho_{k-2} & \cdots & 1 \end{bmatrix}
  3. 系数向量解出的 φ_{k1} 到 φ_kk，其中最后一个 φ_kk 就是第 k 阶偏自相关。
    [ϕk1ϕk2⋮ϕkk]\begin{bmatrix} \phi_{k1} \\ \phi_{k2} \\ \vdots \\ \phi_{kk} \end{bmatrix}
  4. 右侧向量由 ρ_1 到 ρ_k 构成，代表“待解释的总回声强度”。
    [ρ1ρ2⋮ρk]\begin{bmatrix} \rho_1 \\ \rho_2 \\ \vdots \\ \rho_k \end{bmatrix}

AR模型定阶

如果一个回声模式是“每次都模仿前 p 句话”——你喊“喂”，它回“喂”，你再说，它又回——那么这条回声链的本质就是自回归。AR(p) 模型认为：当前观测值等于最近 p 个观测的线性组合，再加上一个新的随机扰动。

判断一个序列是否适合 AR(p)，关键看 PACF 与 ACF 的配对形态。

定阶规则：PACF 在 p 阶后截尾，ACF 拖尾 → AR(p)。原因是 AR(p) 只保留了 p 条直接依赖，超出 p 阶的偏相关自然为 0；但 Y_t 通过中间变量与更早的过去仍有间接关联，所以总回声（ACF）衰减得很慢。

就像一面有记忆的崖壁：它只直接回应最近 p 次呼喊（PACF 截尾），但那些绕路的回声让声音久久不散（ACF 拖尾）。定阶的核心就是在 PACF 图上找到“最后一根显著的柱子”。

Yt=ϕ1Yt−1+ϕ2Yt−2+⋯+ϕpYt−p+εtY_t = \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \cdots + \phi_p Y_{t-p} + \varepsilon_t
一句话记住：直接回声（PACF）在 p 阶后消失，总回声（ACF）还在绕——这就是自回归模型的“记忆长度”。
  1. 自回归项φ_j Y_{t-j} 表示第 j 个滞后观测对当前值的线性贡献，p 个过去值共同“招魂”。
    ϕ1Yt−1+ϕ2Yt−2+⋯+ϕpYt−p\phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \cdots + \phi_p Y_{t-p}
  2. 随机冲击ε_t 是当前时刻新的白噪声扰动，代表“崖壁新添的裂缝”造成的意外杂音。
    +εt+ \varepsilon_t

MA模型定阶

另一类回声模式是“一阵风掀起的余响”——当前的声音不是呼喊本身，而是最近 q 次冲击共同搅拌出来的混合音。MA(q) 模型认为：当前观测值等于当前扰动与最近 q 个扰动的加权和。

判断 MA 模型的配对形态与 AR 恰好相反。

定阶规则：ACF 在 q 阶后截尾，PACF 拖尾 → MA(q)。因为 MA(q) 的观测只依赖最近 q 个随机冲击，间隔超过 q 的两者没有共同扰动，所以总回声（ACF）当场断掉；但扰动与观测之间存在复杂的组合关系，净相关（PACF）反而拖拖拉拉衰减。

可逆性条件要求 |θ_q| < 1（特征根在单位圆内），保证“余响不会越传越大”——就像混音器的音量旋钮不能反向放大。

如果说 AR 是崖壁的记忆，MA 就是风的余韵——冲击只留下 q 拍的回声，之后干净利落地消失。看图定 MA 阶数，盯紧 ACF 的“断裂点”即可。

Yt=εt+θ1εt−1+⋯+θqεt−qY_t = \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}
一句话记住：总回声（ACF）在 q 阶后断掉，直接回声（PACF）还在拖——这是滑动平均模型的“余韵长度”。
  1. 冲击加权和θ_j ε_{t-j} 表示过去的第 j 个冲击对当前观测的“余响”，q 个过去的冲击共同调制当前声音。
    θ1εt−1+⋯+θqεt−q\theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}
  2. 当前冲击ε_t 本身也直接进入观测值，代表“此刻新起的风”。
    Yt=εt+⋯Y_t = \varepsilon_t + \cdots

信息准则择优

看图定阶是“面试初筛”，ACF/PACF 只告诉你大概方向：候选人是 AR(1)、AR(2) 还是 MA(2)？但要从中选一个真正能干的，还得靠“试用期考核”——信息准则。

AIC（赤池信息准则）和BIC（贝叶斯信息准则）都在回答同一个问题：在拟合优度与模型复杂度之间，如何权衡？

其中 L 是极大似然值，k 是参数个数，n 是样本量。−2ln(L) 越小代表拟合越好；后面的惩罚项则给“带太多行李”的模型扣分。两者都遵循“越小越优”的原则。

初筛靠肉眼（图），终选靠数据（准则）。在实际建模中，先把看图得到的 p、q 候选各加减一阶，组成一个“候选池”，再用 AIC/BIC 逐一打分，选出综合最优的那个。

AIC=−2ln⁡(L)+2k\text{AIC} = -2\ln(L) + 2k
BIC=−2ln⁡(L)+kln⁡(n)\text{BIC} = -2\ln(L) + k \ln(n)
AIC 像一位宽容的面试官，允许你多带点经验；BIC 像一位严格的人力总监，样本越多越容不下冗余配置。一般预测任务偏爱 AIC，解释任务偏爱 BIC。
  1. 拟合优度项−2ln(L)，极大似然值越大该项越小，代表模型解释力越强，是模型的“真实业绩”。
    −2ln⁡(L)-2\ln(L)
  2. AIC 复杂度惩罚+2k，每个参数带来固定 2 分惩罚，参数越多扣分越多。
    +2k+ 2k
  3. BIC 复杂度惩罚+k ln(n)，惩罚随样本量 n 增长而加重，大样本下更偏好简洁模型。
    +kln⁡(n)+ k \ln(n)

完整定阶流程

一个合格的“山谷声学工程师”不会喊一嗓子就下结论。他的完整工作流是：确认地形、测回声、做试验、验收。ARIMA 定阶同样是一条流水线，每一步都在降低“误判回声”的风险。

第一步，平稳性检验。观察序列是否有趋势、季节性，结合 ADF 检验判断是否平稳；非平稳序列先做差分，直到 ACF 快速衰减为“一阶短尾”。

第二步，看图定阶。差分后的序列画 ACF/PACF 图，按截尾/拖尾规则得到候选 (p, q) 集合。若 PACF 在 2 阶截尾、ACF 拖尾，初筛候选就是 AR(2)；若 ACF 在 1 阶截尾，则可能是 MA(1)，也可以考虑 ARMA(1,1)。

第三步，候选拟合。对每个候选阶数训练 ARIMA 模型，记录 AIC/BIC 值，选出得分最低的模型。

第四步，残差诊断。检查最优模型的残差是否近似白噪声（如 Ljung-Box 检验），若残差仍有显著自相关，说明阶数没定够，需要回炉调整。

从确认地形到验收效果，定阶不是一步到位的魔法，而是逐步收敛的科学工程。最后用一句话概括整个流程：先平稳，再看图，后择优，终验残差。

AI 应用场景

量化交易中的收益率建模

阶段：特征工程与模型选择

解决的问题：传统量化分析常用专家经验猜测 AR/MA 阶数，容易过拟合或欠拟合；用 ACF/PACF 截尾拖尾规则自动生成候选阶数，再用 AIC 择优，能显著提升模型稳健性。

具体案例：某私募团队对沪深 300 指数的日收益率序列做平稳性检验后，画出 ACF/PACF 图，发现 ACF 在滞后 2 阶后截尾、PACF 拖尾，初定 MA(2)。随后比较 ARMA(1,1)、MA(2)、MA(3) 的 AIC，最终锁定 MA(2) 用于次日波动方向预测。

智能运维的负载预测

阶段：模型构建与批量训练

解决的问题：机房几十万台服务器的 CPU、内存曲线形态各异，人工逐个定阶完全不现实；通过自动截尾检测加 BIC 批量筛选，可规模化产出可靠预测模型。

具体案例：某 AIOps 平台对每台服务器的 5 分钟粒度的 CPU 负载序列自动计算 ACF/PACF，按置信区间带判断截尾阶数，生成候选模型池，用 BIC 统一择优，并为每台机器输出下一小时的负载预测区间，用于弹性扩容决策。

电商促销后的销量基线预测

阶段：需求预测与供应链优化

解决的问题：大促结束后销量呈“脉冲→回落”形态，人工规则难以捕捉；MA(q) 用少量冲击参数即可刻画这种短记忆回落，ACF 截尾能快速定位 q。

具体案例：某电商平台取促销结束后的 60 天日销量序列，ACF 在滞后 3 阶后截尾，结合 BIC 确认 MA(3) 模型，成功预测了余波期的每日销量基线，指导仓库动态补货，减少了 12% 的滞销库存。

Python 演示

python45 行
import numpy as npfrom statsmodels.tsa.stattools import acf, pacffrom statsmodels.tsa.arima.model import ARIMA  def cut_off_lag(values, threshold):    # 返回第一个超出阈值的滞后阶数, 找不到返回 0    for i in range(1, len(values)):        if abs(values[i]) > threshold:            return i    return 0  def suggest_order(series, max_lag=20):    n = len(series)    z = 1.96 / np.sqrt(n)    acf_vals = acf(series, nlags=max_lag)    pacf_vals = pacf(series, nlags=max_lag, method="ywm")    q_candidate = max(cut_off_lag(acf_vals, z) - 1, 0)    p_candidate = max(cut_off_lag(pacf_vals, z) - 1, 0)    return p_candidate, q_candidate  def select_best_arima(series, max_p=3, max_q=3):    best_aic, best_order = float("inf"), None    for p in range(max_p + 1):        for q in range(max_q + 1):            if p == 0 and q == 0:                continue            model = ARIMA(series, order=(p, 0, q)).fit()            if model.aic < best_aic:                best_aic = model.aic                best_order = (p, 0, q)    return best_order, best_aic  if __name__ == "__main__":    rng = np.random.default_rng(42)    epsilon = rng.normal(size=200)    y = np.zeros(200)    for t in range(2, 200):        y[t] = 0.6 * y[t - 1] + 0.2 * y[t - 2] + epsilon[t]    print("ACF/PACF 看图建议阶数:", suggest_order(y))    best, aic = select_best_arima(y)    print("AIC 择优结果:", best, "AIC =", round(aic, 3))
目的：生成一个 AR(2) 模拟序列，用 ACF/PACF 截尾规则自动建议阶数，再用 AIC 在候选模型中择优，完整演示“看图定阶 + 准则择优”的流程。
  1. z = 1.96 / np.sqrt(n)根据样本量计算置信区间带高度，相当于“山谷背景噪音阈值”。
  2. q_candidate = max(cut_off_lag(acf_vals, z) - 1, 0)ACF 首次截尾的滞后减 1 即为 MA 候选阶数。
  3. p_candidate = max(cut_off_lag(pacf_vals, z) - 1, 0)PACF 首次截尾的滞后减 1 即为 AR 候选阶数。
  4. model = ARIMA(series, order=(p, 0, q)).fit()拟合一个候选 ARIMA 模型，相当于“试用期考核”。
  5. if model.aic < best_aic:记录当前最优 AIC，逐轮筛选最小分。
  6. y[t] = 0.6 * y[t - 1] + 0.2 * y[t - 2] + epsilon[t]构造 AR(2) 过程：当前值依赖最近两期的过去值。

常见误区

误区我看到 ACF 图第 3 根柱子特别高，超出了虚线，就认为这里“截尾”了，模型阶数应该定为 3。

正解截尾指的是“在某阶之后，所有柱子都落回置信带内且不再连续显著”，而不是“某根柱子显著”。一根柱子突出可能是偶然波动或阶数已经足够；截尾看的是“从哪个位置开始，回声戛然而止”，强调的是后续全部安静。就像山谷里偶然一声鸟叫，并不代表崖壁有回声规律。

为何常见：初学者盯着单根柱子看，忽视了图表的整体形态，把“局部显著”误当“整体结构”。

误区PACF 在 2 阶后截尾，所以应该用 MA(2) 模型。

正解恰好相反。PACF 是剔除中间影响后的直接相关，它截尾说明“只需要少数几个直接过去值”，对应 AR 模型；ACF 截尾才对应 MA 模型。记忆口诀：PACF 截尾定 AR，ACF 截尾定 MA。就像隔音墙实验里只有直射路径存在——那是在说崖壁的记忆，不是风的余韵。

为何常见：两个概念长得像、名字像，且“截尾→定阶”的规则在 AR 和 MA 之间恰好互换了函数，初学者极易记反。

误区我把所有候选模型跑一遍，选 AIC 最小的那个就直接上线，应该没有问题了。

正解AIC 只是在候选集合内部的相对排序依据，不代表模型一定满足基本假设。如果残差仍存在显著自相关、参数不显著或模型不可逆，即使 AIC 再小也是“带病上岗”。正确做法是先看图定阶缩小候选范围，再拟合比较 AIC/BIC，最后必须做残差白噪声检验，全部通过才算合格。

为何常见：把“数值最小”等同于“模型最优”的思维惯性，忽略了统计建模的整套验证流程。

误区我的 ACF 图一直衰减、拖了十几阶都不归零，这数据肯定不适合 AR/MA 模型。

正解拖尾恰恰是 AR/MA/ARMA 模型的典型特征，说明序列存在“长记忆”只是衰减慢。关键要看另一张图：如果 PACF 有截尾，就用 AR；如果 ACF 截尾而 PACF 拖尾，就用 MA；若都拖尾，可能要用 ARMA。拖尾不是死路，而是指路牌。

为何常见：只记住了“截尾定阶”这一个动作，忽略了“截尾+拖尾”的成对组合才是完整的判读逻辑。

误区我手上只有 30 条数据，也照常画 ACF/PACF 图，看到截尾就定了阶。

正解样本量太小时置信带非常宽（±1.96/√n 会很大），ACF/PACF 的估计方差也大，柱子形态极不稳定，看图结论不可靠。通常建议至少 50~100 个观测，并配合 AIC/BIC 和残差诊断交叉验证。就像在山谷里只听一两次回声，根本无法分辨是崖壁结构还是偶然风声。

为何常见：忽略了统计推断对样本量的依赖，以为“图出来了就能读”。

面试题

Q1. ACF 图中全部柱子都落在 ±1.96/√n 置信带内，最合理的判断是什么？

单选题 · easy

  • A.序列存在明显长期趋势
  • B.序列可能为纯白噪声← 正确答案
  • C.序列必为非平稳序列
  • D.序列存在明显季节性周期

答案：B。所有柱子都在置信带内，说明各阶自相关都不显著，就像山谷里喊完没有回声，符合白噪声特征。趋势、季节性与非平稳通常会让 ACF 出现连续显著的大柱子。

Q2. 某序列 PACF 在滞后 2 阶后全部落入置信带，ACF 缓慢衰减，应选择哪个模型？

单选题 · easy

  • A.MA(2) 模型
  • B.AR(2) 模型← 正确答案
  • C.ARMA(1,1) 模型
  • D.AR(1) 模型

答案：B。PACF 截尾定 AR 阶数，2 阶后截尾说明只需要两个直接过去值，对应 AR(2)。ACF 拖尾是 AR 模型的典型副产物，而不是 MA 的信号。

Q3. 关于 ACF 与 PACF 的截尾/拖尾组合，哪项是正确的？

单选题 · mid

  • A.AR 的 ACF 截尾而 PACF 拖尾
  • B.MA 的 ACF 截尾而 PACF 拖尾← 正确答案
  • C.AR 的 ACF 与 PACF 均截尾
  • D.MA 的 ACF 与 PACF 均拖尾

答案：B。MA(q) 的观测只依赖最近 q 个冲击，所以 ACF 在 q 阶后截尾，而 PACF 表现为拖尾。AR(p) 则相反，是 PACF 截尾、ACF 拖尾。

Q4. 关于 AIC 与 BIC 的区别，哪项描述正确？

单选题 · mid

  • A.BIC 对复杂模型的惩罚比 AIC 更轻
  • B.AIC 惩罚项为 2k 而 BIC 为 k·ln(n)← 正确答案
  • C.AIC 总倾向于选择最简模型
  • D.BIC 只关注拟合优度不看复杂度

答案：B。AIC 的复杂度惩罚是 2k，BIC 是 k·ln(n)。大样本下 BIC 惩罚更重，更偏好简洁模型；AIC 惩罚较轻，通常更适合预测任务。

Q5. 哪些现象说明序列不平稳，需要先做差分？

多选题 · mid

  • A.序列均值随时间明显上升← 正确答案
  • B.ACF 呈极缓慢长拖尾衰减← 正确答案
  • C.序列存在明显季节周期← 正确答案
  • D.PACF 在滞后 1 阶截尾

答案：ABC。均值上升、季节周期都违反平稳性假设；ACF 极慢衰减也是非平稳的典型信号。PACF 在 1 阶截尾通常是平稳 AR(1) 的表现，不需要差分。

Q6. 样本量 n=250，置信带约 ±0.124，ACF 第 3 阶值为 0.12，最合理的判断是？

单选题 · hard

  • A.显著相关，应直接定为 3 阶
  • B.不显著，需结合其他准则综合判断← 正确答案
  • C.说明模型必须是 AR(3)
  • D.说明序列存在确定性趋势

答案：B。0.12 略小于 0.124，落回置信带内，单看不显著。定阶不能依赖单根柱子，还要结合整体形态、AIC/BIC 和残差诊断综合决策。

Q7. MA(1) 模型 Y_t = ε_t + 0.8ε_{t-1} 的 ACF 图最可能表现为？

单选题 · mid

  • A.所有滞后阶都显著不为零
  • B.滞后 1 阶显著之后全部截尾← 正确答案
  • C.所有滞后呈缓慢衰减趋势
  • D.没有任何一阶显著相关

答案：B。MA(1) 的观测只共享最近 1 个冲击，所以只有滞后 1 阶的相关系数非零，之后全部为 0，表现为“滞后 1 阶显著、随后截尾”。

Q8. 关于完整定阶流程，正确的做法包括哪些？

多选题 · hard

  • A.先检验平稳性，非平稳先差分← 正确答案
  • B.看图定阶后立刻确定唯一模型
  • C.用多组候选阶数拟合比较准则← 正确答案
  • D.对所选模型残差做白噪声检验← 正确答案

答案：ACD。正确流程是先平稳化，再看 ACF/PACF 初筛候选池，拟合后比较 AIC/BIC 择优，最后对残差做白噪声检验。B 错在“立刻确定唯一模型”，忽略候选比较与诊断。

Q9. 偏自相关函数 PACF 的核心作用是什么？

单选题 · easy

  • A.度量观测之间的总相关性
  • B.剔除中间变量后的直接相关← 正确答案
  • C.度量序列的波动率水平
  • D.计算拟合模型的残差项

答案：B。PACF 通过“隔音墙”剔除中间时刻的影响，专门测 Y_t 与 Y_{t-k} 的直接相关。总相关性是 ACF 的职责，波动率则是另一套体系。

Q10. 关于 AIC 与 BIC 的说法，哪些是正确的？

多选题 · mid

  • A.两者都包含拟合优度这一核心项← 正确答案
  • B.BIC 惩罚随样本量增加而加强← 正确答案
  • C.候选模型中准则值越小越好← 正确答案
  • D.两个准则必须同时达到最小

答案：ABC。AIC 与 BIC 都含 −2ln(L) 拟合项，BIC 的惩罚 k·ln(n) 随样本量增大而增大；模型比较时两者都是越小越好。但实际只选一个准则做最终依据，D 错在“必须同时最小”。