想象你有过去一百天的复习成绩单。今天考得好不好，并不完全靠运气——昨天睡够了、前天刷过的错题、大前天的状态，都在一条看不见的链条上影响你。AR(p)模型就是在问：想把今天讲清楚，得往回翻几页日记？翻太多会把陈年旧账都算进来，翻太少又会漏掉关键线索。偏自相关函数PACF就像一个传话游戏的“测谎仪”：想知道“今天”和“第k天前”有没有直接关系，就让中间的k-1天全部闭嘴，单独听它们是否还在偷偷说话。如果第p天前还有话，到了第p+1天前话突然断了，就说明回忆长度p刚好。这篇文章就带你用PACF这根“听诊器”给AR模型定阶，顺便学会截尾、拖尾、AIC/BIC这些配套工具。

岗位关联

定阶是ARIMA建模的第一道坎。学会用PACF截尾判读AR阶数，你就能从“拍脑袋选滞后”走向“数据说话”，经济金融与业务时序项目中少走弯路。

目录
  1. 可视化演示
  2. 自回归直觉
  3. 平稳性条件
  4. 自相关函数
  5. 偏自相关PACF
  6. 截尾与拖尾
  7. 定阶实操
  8. ARIMA衔接
  9. 案例与局限
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示用偏自相关函数定AR阶数的核心机制，通过概览/流程/对比/趋势四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

用偏自相关函数定AR阶数：ARp模 AR(p)模型的基本形式与平稳 偏自相关函数PACF的定义与计 核心机制可视化 用偏自相关函数定AR阶数整体架构与关键组件

自回归直觉

你写考试复盘日记时，通常会写：“今天发挥好，主要是因为昨天睡够了，前天刷的错题也起了作用。”这句话翻译成数学，就是自回归直觉：今天的表现不是孤立的，而是过去几天的状态一层层传递下来的。AR(p)模型正是把这套复盘写成公式——今天等于一个基础水平，加上过去p天各自乘以一个权重，再加上今天独有的意外运气。

用符号说，AR(p)就是：

这里的 \(p\) 就是“往回翻几页日记”的窗口。\(p\) 选太小，会漏掉真正影响今天的“前天错题”；选太大，又会把十年前的陈年旧账拉进来搅局。整个故事的关键就在于：怎么知道该翻到第几天？答案藏在“偏自相关函数”里，但先要把这个复盘公式读懂。

回到传话游戏：今天的“声音”是源头第一句话经过 \(p\) 棒传递后，又叠加每棒新增杂音的结果。\(p\) 越大，故事越冗长，也越容易把无关的噪音当真。下一个问题是：这个传话链条会被无限放大吗？这就是平稳性条件要回答的。

Xt=c+ϕ1Xt−1+ϕ2Xt−2+⋯+ϕpXt−p+εt\displaystyle X_t = c + \phi_1 X_{t-1} + \phi_2 X_{t-2} + \cdots + \phi_p X_{t-p} + \varepsilon_t
  1. \(X_t\)今天的结果，也就是方程要解释的主角——今天的考试成绩、今天的气温、今天的股价。
    Xt\displaystyle X_t
  2. \(c\)基础水平，像每天睁开眼的默认状态，不依赖过去也会存在。
    c\displaystyle c
  3. \(\phi_i X_{t-i}\)第 \(i\) 天前的值乘上权重，代表“那天的记忆还剩多少影响力”。
    ϕiXt−i\displaystyle \phi_i X_{t-i}
  4. \(\varepsilon_t\)今天的随机扰动，白噪声，指完全不可预测的意外——笔突然没水、路上遇到贵人。
    εt\displaystyle \varepsilon_t

平稳性条件

玩传话游戏最怕麦克风啸叫：话筒离音箱太近，声音绕一圈回来变得更大，再绕一圈又更大，最后“嗡——”震耳欲聋。AR模型也有这种风险。如果过去的系数太大，一次冲击就会像回声一样越滚越大，序列越走越离谱，根本没法预测。平稳性条件，就是给这个回声室装上限幅器。

对于AR(2)模型，平稳条件常用一组“三角区”约束：\(\phi_1+\phi_2<1\)、\(\phi_2-\phi_1<1\)、\(|\phi_2|<1\)。更一般的写法看特征方程：

当所有特征根的模都大于1，冲击会随步数推移不断衰减；只要有一个根跑进单位圆内，系统就会发散。AR(1)是特殊情形，特征根 \(z=1/\phi_1\)，因此要求 \(|\phi_1|<1\)。

平稳性像跷跷板的重心必须落在圆桌范围内，否则一点点扰动就会掀翻整个游戏。只有平稳序列，谈“今天和昨天像不像”才有意义，也才轮到自相关函数上场。

1−ϕ1z−ϕ2z2=0的根 z 满足 ∣z∣>1\displaystyle 1 - \phi_1 z - \phi_2 z^2 = 0 \quad\text{的根 } z \text{ 满足 } |z|>1
  1. 特征多项式 \(1-\phi_1 z-\phi_2 z^2\)把递推式变成一台“放大器”，检查它对冲击的放大倍数。
    1−ϕ1z−ϕ2z2\displaystyle 1 - \phi_1 z - \phi_2 z^2
  2. 方程的根 \(z\)根的模代表系统的“共振强度”，离单位圆越远越安全。
    z\displaystyle z
  3. \(|z|>1\)所有共振点都在单位圆外，冲击能量才会一代代衰减；AR(1)等价于 \(|\phi_1|<1\)。
    ∣z∣>1\displaystyle |z|>1

自相关函数

传话游戏里，今天听到的内容和“两天前”说的原话像不像？答案是：不一定像，因为三句话之间隔着一个“昨天”在转述。自相关函数ACF就是这样一个简单粗暴的相似度计：它只看“现在”和“\(k\) 天前”的相关性，至于中间隔了几道传话，它统统算进相似度里。

ACF的数学定义是标准化后的自协方差：

其中 \(\gamma_k\) 是 \(k\) 阶自协方差，\(\gamma_0\) 是序列本身的方差。对AR(1)来说，能解出漂亮结果：\(\rho_k=\phi^k\)，也就是自相关按几何级数衰减，俗称“拖尾”——像声音在走廊里反弹，越来越小，但一直有余音。

ACF的毛病在于“中间人太多”：今天和前天像，也许纯粹是昨天在中间传话，而不是前天直接对今天说了什么。要想找到真正的直接联系人，必须让中间人闭嘴——这正是偏自相关函数做的事。

ρk=Cov(Xt,Xt−k)Var(Xt) Var(Xt−k)=γkγ0\displaystyle \rho_k = \frac{\mathrm{Cov}(X_t, X_{t-k})}{\sqrt{\mathrm{Var}(X_t)\,\mathrm{Var}(X_{t-k})}} = \frac{\gamma_k}{\gamma_0}
  1. \(\gamma_k = \mathrm{Cov}(X_t, X_{t-k})\)衡量今天和第 \(k\) 天前“同起同落”的程度。
    γk=Cov(Xt,Xt−k)\displaystyle \gamma_k = \mathrm{Cov}(X_t, X_{t-k})
  2. \(\gamma_0\)今天的方差，用来把协方差标准化，让结果落在 [-1, 1] 区间。
    γ0\displaystyle \gamma_0
  3. \(\rho_k\)第 \(k\) 阶自相关，理解成“隔着 \(k\) 个人听声音有多像”。
    ρk=γkγ0\displaystyle \rho_k = \frac{\gamma_k}{\gamma_0}

偏自相关PACF

现在给传话游戏加一条规则：想确认“前天”有没有直接对你耳语，必须让“昨天”戴上隔音耳塞，把经他转述的部分全部扣掉。偏自相关函数PACF的第 \(k\) 阶，就是剔除掉 \(k-1\) 个中间滞后变量的影响之后，\(X_t\) 与 \(X_{t-k}\) 的净相关。

严格定义可以写成：

其中 \(\hat X_t^{(k)}\) 是用中间滞后 \(X_{t-1},\dots,X_{t-k+1}\) 对 \(X_t\) 做最佳线性预测的拟合值，\(\hat X_{t-k}^{(k)}\) 也同理。实际计算靠Yule-Walker递推求解，电脑一秒钟就能算完。比如AR(2)中，\(\phi_{22}=(\rho_2-\rho_1^2)/(1-\rho_1^2)\)，分子就是从“两天前的相关”里扣掉“经昨天间接传导”的 \(\rho_1^2\)。

如果说ACF是隔空喊话的相似度，PACF就是“单独把源头和最后一个听话人约到小黑屋”里面对质。对AR(p)序列，这种直连关系只存在于滞后 \(p\) 之内；超过 \(p\)，秘密传输线被剪断，这就是“截尾”。

ϕkk=Corr(Xt−X^t(k), Xt−k−X^t−k(k))\displaystyle \phi_{kk} = \mathrm{Corr}\left(X_t - \hat X_t^{(k)},\, X_{t-k} - \hat X_{t-k}^{(k)}\right)
  1. \(X_t - \hat X_t^{(k)}\)今天的信息中，被中间滞后解释掉的部分剔除后剩下的“新信息”。
    Xt−X^t(k)\displaystyle X_t - \hat X_t^{(k)}
  2. \(X_{t-k} - \hat X_{t-k}^{(k)}\)第 \(k\) 天前同样剔除中间影响后剩下的那部分。
    Xt−k−X^t−k(k)\displaystyle X_{t-k} - \hat X_{t-k}^{(k)}
  3. \(\mathrm{Corr}(\cdot,\cdot)\)对两段“纯剩余”求相关系数，得到的就是第 \(k\) 阶偏自相关 \(\phi_{kk}\)。
    Corr(Xt−X^t(k), Xt−k−X^t−k(k))\displaystyle \mathrm{Corr}\left(X_t - \hat X_t^{(k)},\, X_{t-k} - \hat X_{t-k}^{(k)}\right)

截尾与拖尾

判断AR阶数的核心口诀其实很朴素：PACF截尾处，就是AR的阶数。截尾的意思是，第 \(p\) 阶之后，PACF的柱子一下子缩到零附近，像电话线在第 \(p\) 天前被剪断，之后再也听不到源头的声音。而ACF作为对照，通常是拖尾的——回音还在走廊里打转，但越来越弱。

问题来了：样本有限，柱子不可能严格等于零。所以我们画两条95%置信带作为“安静区”。对样本量 \(n\)，样本PACF近似满足：

如果 \(\hat\phi_{kk}\) 落在带内，说明这一阶“话已经断了”；如果探出带外，说明第 \(k\) 天前还有直接联系。AR(p)的PACF特征就是：前 \(p\) 根柱子显著探出，之后全部缩回带内。

红虚线像听诊器上的刻度：柱子探出去才是真心跳，缩回带内就只是环境噪音。但只靠一根根柱子数数还不够，因为噪声会在某个地方调皮地探出一次头。于是定阶实操需要第二道保险——AIC和BIC。

ϕ^kk∼N(0,1n),95% 参考线: ±1.96n\displaystyle \hat\phi_{kk} \sim N\left(0,\frac{1}{n}\right),\qquad \text{95\% 参考线: } \pm \frac{1.96}{\sqrt{n}}
  1. \(\hat\phi_{kk} \sim N(0,1/n)\)样本PACF的波动范围大约以零为中心，方差与样本量成反比。
    ϕ^kk∼N(0,1n)\displaystyle \hat\phi_{kk} \sim N\left(0,\frac{1}{n}\right)
  2. \(\pm 1.96/\sqrt{n}\)约95%的纯噪声柱会落在这两条线之间，充当“安静区”边界。
    1.96n\displaystyle \frac{1.96}{\sqrt{n}}
  3. 截尾柱子从某一阶开始集中落入带内，这个“开始点”的前一阶就是候选 \(p\)。
    ϕkk≈0(k>p)\displaystyle \phi_{kk} \approx 0 \quad (k>p)

定阶实操

拿到样本序列后，定阶实操像一场“先听诊、再开会”的流程：第一步，画出样本PACF，看前几根柱子显著探出置信带；第二步，在候选阶数附近比较AIC和BIC；第三步，拟合后检查残差是否还有话没说完。PACF负责提供直觉，信息准则负责防止你被偶然数据带偏。

AIC和BIC都长得很像：

其中 \(L\) 是模型最大似然值，\(k\) 是参数个数，\(n\) 是样本量。第一项 \(-2\ln L\) 度量拟合好坏，越小越好；后面加上的惩罚项专门打压“参数过多”。BIC的惩罚比AIC重，样本越大越保守。

PACF是探针，AIC/BIC是审核官。探针先指出“可能在第2阶截尾”，审核官再在AR(1)、AR(2)、AR(3)之间比分数，避免你为了漂亮把无用参数也招进来。定完阶后，模型往往还要接进更大的ARIMA框架里。

AIC=−2ln⁡L+2k,BIC=−2ln⁡L+kln⁡n\displaystyle \mathrm{AIC} = -2\ln L + 2k,\qquad \mathrm{BIC} = -2\ln L + k\ln n
  1. \(-2\ln L\)模型对数据解释得越充分，这个值越小；但它可以靠增加参数无限变小。
    −2ln⁡L\displaystyle -2\ln L
  2. \(2k\)AIC对每个参数加“两分轻罚款”，防止过度拟合。
    2k\displaystyle 2k
  3. \(k\ln n\)BIC的罚款随样本量放大，样本一大就特别警惕“多余参数”。
    kln⁡n\displaystyle k\ln n

ARIMA衔接

如果序列本身带着一路下坡的趋势，比如GDP、销量，直接做AR定阶会像在移动的火车上传话——源头说“你好”，传到车尾早就变了调。ARIMA的思路是先用差分把火车停下来：让 \(X_t\) 减去昨天的 \(X_{t-1}\)，得到一串“增量”，这串增量通常就平稳了。

一阶差分写作：

其中 \(B\) 是后移算子，\(B X_t = X_{t-1}\)。做一次差分就是把“每天的水平”变成“每天的变化量”。如果一次不够平，就再做几次，直到序列围绕固定均值摆动。对差分后的平稳序列 \(Y_t\)，再用PACF定AR阶数，就进入了完整的ARIMA框架：ARIMA(p,d,q) = AR(p) + 差分d次 + MA(q)。

传话游戏先让大家站到静止平台上，再判断谁在向谁传话，判断才可信。差分做完后，PACF这根听诊器才能放心使用。可就算到了这一步，也不能迷信单张听诊报告。

Yt=Xt−Xt−1=(1−B)Xt\displaystyle Y_t = X_t - X_{t-1} = (1-B)X_t
  1. \(B\)后移算子，把今天的值“退回”到昨天。
    BXt=Xt−1\displaystyle B X_t = X_{t-1}
  2. \((1-B)X_t\)今天的值减去昨天的值，得到的就是“今天的变化量”。
    (1−B)Xt=Xt−Xt−1\displaystyle (1-B)X_t = X_t - X_{t-1}
  3. 多次差分 \((1-B)^d\)连续差分 \(d\) 次，直到趋势被剥干净，序列变平稳。
    (1−B)dXt\displaystyle (1-B)^d X_t

案例与局限

经济学里常用CPI同比、股票收益率这类序列做AR建模。比如某宏观团队的CPI同比序列，样本PACF在滞后2后缩回置信带，初选AR(2)，再和AR(1)、AR(3)比BIC，最终进ARIMA(2,1,2)做季度预测——这个流程很典型。但PACF不是万能钥匙：样本太短，置信带宽得像门缝，什么柱子都缩得回去；样本里噪声大，某根柱子又可能偶然探出带外，造成“假截尾”或“假超限”。

定阶是否成功，最终要看残差里还有没有“没说完的话”。Ljung-Box检验把残差前 \(h\) 阶自相关汇总成一个统计量：

如果残差是白噪声，各阶 \(\hat\rho_k\) 都接近零，\(Q\) 值就小；如果 \(Q\) 超过卡方临界值，说明模型漏掉了重要信息。

听诊器再灵敏，也不能只凭一声咳嗽就确诊。PACF负责给你“大概在哪儿”，AIC/BIC负责刹住过拟合，残差检验负责最后验收——三方都通过，AR阶数才算真正定准。

Q=n(n+2)∑k=1hρ^k2n−k\displaystyle Q = n(n+2)\sum_{k=1}^{h}\frac{\hat\rho_k^2}{n-k}
  1. \(\hat\rho_k\)拟合后残差的第 \(k\) 阶自相关，代表“还剩多少话没说干净”。
    ρ^k\displaystyle \hat\rho_k
  2. \(\frac{n(n+2)}{n-k}\)一个与样本量有关的权重，让小样本修正更合理。
    n(n+2)n−k\displaystyle \frac{n(n+2)}{n-k}
  3. \(Q\) 统计量把前 \(h\) 阶的残差自相关平方累加起来，与卡方临界值对比。
    Q=n(n+2)∑k=1hρ^k2n−k\displaystyle Q = n(n+2)\sum_{k=1}^{h}\frac{\hat\rho_k^2}{n-k}

AI 应用场景

宏观经济指标定阶

阶段：模型选择与时序特征工程

解决的问题：传统做法靠肉眼盯ACF图或反复试滞后，既慢又不稳定。PACF让中间滞后“闭嘴”，只保留显著的直接相关，先把AR阶数压到小范围，再交给ARIMA训练，大幅减少试错成本。

具体案例：某宏观团队分析CPI同比序列，用Python计算样本PACF，发现滞后2后全部落入置信带，初选AR(2)，再与AIC/BIC互检，最终建立ARIMA(2,1,2)模型预测下季度通胀区间。

电商销量短周期预测

阶段：基线预测模型构建

解决的问题：日销量受昨天、前天影响，库存系统需要自动定阶。直接拿全部历史去拟合容易过拟合，PACF像筛子一样把真正的“直接长辈”挑出来。

具体案例：某电商平台用过去60天销量滚动预测次日销量，PACF在滞后2后截尾，选定AR(2)作为基线模型，比均值法MAPE下降18%；随后用Ljung-Box发现残差仍有周末效应，再加入星期哑变量。

工业传感器异常检测

阶段：时间序列异常检测

解决的问题：高频传感器数据噪声大，直接设阈值误报率高。先以PACF定AR阶数拟合正常模式，再盯着残差，超过控制限才报警，相当于先让“传话链条”安静下来。

具体案例：设备温度序列用PACF定阶为AR(3)，残差白噪声检验通过后，以3倍标准差为控制线触发维护工单，误报率从每月40次降到18次。

Python 演示

python42 行
import numpy as np def compute_acf(x, max_lag=10):    x = np.asarray(x, dtype=float)    n = len(x)    x = x - x.mean()    denom = np.dot(x, x)    acf = [1.0]    for k in range(1, max_lag + 1):        acf.append(np.dot(x[k:], x[:-k]) / denom)    return np.array(acf) def compute_pacf(x, max_lag=10):    acf = compute_acf(x, max_lag)    pacf = [1.0]    for k in range(1, max_lag + 1):        r = acf[1:k + 1]        R = np.array([[acf[abs(i - j)] for j in range(1, k + 1)]                      for i in range(1, k + 1)])        phi = np.linalg.solve(R, r)        pacf.append(phi[-1])    return np.array(pacf) np.random.seed(42)n = 300burn = 200eps = np.random.normal(0, 1, n + burn)x = np.zeros(n + burn)for t in range(2, len(x)):    x[t] = 0.6 * x[t - 1] - 0.3 * x[t - 2] + eps[t]x = x[burn:] max_lag = 10pacf = compute_pacf(x, max_lag)thr = 1.96 / np.sqrt(n)print("样本量:", n, " 95%置信带: +/-", round(thr, 3))for k in range(1, max_lag + 1):    mark = " <-- 显著" if abs(pacf[k]) > thr else ""    print("lag", k, "PACF=", round(pacf[k], 3), mark)first_inside = int(np.argmax(np.abs(pacf[1:]) <= thr)) + 1p_hat = first_inside - 1print("建议阶数 p =", p_hat)
目的：模拟一条真实的AR(2)序列，用Yule-Walker递推计算样本PACF，并借助95%置信带自动找到截尾点，从而估计AR阶数。
  1. x = x - x.mean()去均值，让自相关只看波动，不受水平高低影响。
  2. denom = np.dot(x, x)计算方差归一化分母，等价于 \(\gamma_0\)。
  3. acf.append(np.dot(x[k:], x[:-k]) / denom)两个序列错位 \(k\) 步求内积，得到第 \(k\) 阶自相关。
  4. R = np.array([[acf[abs(i - j)] for j in range(1, k + 1)]构造Yule-Walker方程中的自相关矩阵。
  5. phi = np.linalg.solve(R, r)解线性方程组，得到第 \(k\) 阶回归系数。
  6. pacf.append(phi[-1])最后一个系数就是第 \(k\) 阶偏自相关。
  7. thr = 1.96 / np.sqrt(n)计算95%置信带的宽度。
  8. first_inside = int(np.argmax(np.abs(pacf[1:]) <= thr)) + 1找到第一个落进带内的滞后位置。
  9. p_hat = first_inside - 1第一个落进带内的是滞后 \(p+1\)，所以阶数要减1。

常见误区

误区我看ACF和PACF曲线都是几条柱子，名字也像，应该是一个东西的两种画法吧？平时用哪个都行。

正解完全不是一回事。ACF是隔空喊话，“今天”和“\(k\) 天前”的相似度会把中间人的传话全部算进去；PACF则让中间人闭嘴，只保留两条消息之间的直接相关。AR(1)里ACF一直拖尾衰减，但PACF只在滞后1显著，从滞后2开始就掉进置信带，差别一目了然。

为何常见：两者的名字都带“自相关”，共用同一套样本矩，初学者很容易以为只是换了坐标轴，没意识到“剔除中间变量”这一步是本质区别。

误区我画出PACF，看到滞后3以后都在虚线内，那真实模型肯定是AR(2)，不用再检查别的了。

正解置信带只是95%的参考，不是判决书。样本有限，随机噪声可能让某根柱子偶然探出带外，也可能让真实信号缩回带内；而且你同时看了许多根柱子，多重比较下总有约5%的概率出现假信号。所以必须用AIC/BIC、残差白噪声检验交叉验证。

为何常见：可视化图表太直观，红虚线和柱子一对照就让人产生“非黑即白”的错觉，忘了统计推断的本质是概率。

误区滞后10阶的AR模型肯定比滞后2阶更准，毕竟用了更多历史信息，训练集残差也更小。

正解参数越多，训练集拟合越漂亮，但预测新数据的方差也会变大，就像把传话游戏里每一丝杂音都当成正式信息。AIC加 \(2k\)、BIC加 \(k\ln n\)，就是为了给参数数“罚款”，防止你为了好看而过度拟合。

为何常见：机器学习里常听“增加模型容量”，但时间序列样本有强依赖，多一个系数就多一分把噪声学进去的风险。

误区我先把序列做平稳性检验，通过了，然后认认真真数PACF柱子到第几阶截尾，定出来的阶数肯定没错。

正解平稳只是前提，不是充分条件。如果真实过程是MA或ARMA，PACF可能拖尾而不是截尾，强行定AR阶会逼着模型用很多滞后去模仿一条逐渐消失的余音。正确做法是结合ACF和PACF的形态判断模型族，或者直接用AIC/BIC在ARIMA全家桶里选。

为何常见：只学了一个工具，自然容易把它当成万能钥匙；PACF定阶的威力恰恰要在“AR族”里才成立。

面试题

Q1. AR(p)过程的偏自相关函数在定阶时最重要的特征是？

单选题 · easy

  • A.随着滞后阶数指数衰减
  • B.在p阶之后迅速截尾← 正确答案
  • C.在零附近周期波动
  • D.始终为同一个常数

答案：B。对AR(p)过程，PACF在第 \(p\) 阶之后基本为零，也就是“截尾”。ACF才会指数式拖尾。选项A描述的是ACF，C是季节性序列的典型表现，D不对，所以选B。

Q2. AR(1)过程的平稳性要求系数满足？

单选题 · easy

  • A.任何实数都可以平稳
  • B.系数绝对值严格小于1← 正确答案
  • C.系数必须等于零
  • D.系数需要大于1

答案：B。AR(1)的特征根是 \(1/\phi_1\)，要保证平稳，根必须在单位圆外，等价于 \(|\phi_1|<1\)。如果 \(|\phi_1|\ge1\)，一次冲击会被不断放大，像麦克风啸叫一样发散。选项D说大于1只覆盖一半，A和C都不对。

Q3. 计算偏自相关函数时，核心操作是？

单选题 · easy

  • A.直接套用自相关函数公式
  • B.剔除中间滞后变量的影响← 正确答案
  • C.对数据做一阶差分得到新序列
  • D.把序列平均值调整为零

答案：B。PACF的关键是让中间 \(k-1\) 个滞后“闭嘴”，然后求 \(X_t\) 与 \(X_{t-k}\) 的净相关。差分是ARIMA里的步骤，去均值是标准化的一环，它们都不是PACF的核心，所以选B。

Q4. 样本PACF的95%置信带宽度主要由什么决定？

单选题 · mid

  • A.样本长度n的平方根← 正确答案
  • B.模型参数p值的大小
  • C.白噪声方差的大小
  • D.自相关初始值大小

答案：A。样本PACF近似服从 \(N(0,1/n)\)，置信带是 \(\pm1.96/\sqrt{n}\)，因此带宽只由样本量 \(n\) 决定。样本越大，带宽越窄，判断越可靠。参数、噪声方差、初始值都不直接决定这条参考线，所以选A。

Q5. 某序列样本PACF在滞后2之后落入置信带，应优先考虑？

单选题 · mid

  • A.AR(2)模型进行拟合← 正确答案
  • B.AR(1)模型已足够
  • C.MA(1)模型更适合
  • D.序列一定不平稳

答案：A。PACF在滞后2之后截尾，意味着第1、2阶有显著直接相关，从第3阶开始没有，这正是AR(2)的指纹。AR(1)会在滞后2就截尾，MA模型一般表现为PACF拖尾，平稳性也要另做检验，所以选A。

Q6. 以下哪些工具适合辅助AR定阶？

多选题 · mid

  • A.AIC信息准则← 正确答案
  • B.BIC信息准则← 正确答案
  • C.残差白噪声检验← 正确答案
  • D.时间序列直方图

答案：ABC。AIC和BIC对参数数量加惩罚，能防止过度拟合；残差白噪声检验用来验收模型是否把相关信息提取干净。直方图只能看数值分布，看不出滞后关系，不能辅助定阶。所以选A、B、C。

Q7. 以下关于ACF/PACF的说法正确的有？

多选题 · mid

  • A.PACF截尾提示AR阶数← 正确答案
  • B.ACF拖尾说明序列完全随机
  • C.PACF拖尾提示MA过程← 正确答案
  • D.ACF周期波动说明序列平稳

答案：AC。AR过程的PACF截尾，MA过程的PACF拖尾，所以A和C正确。ACF拖尾是AR的典型特征，不代表完全随机；ACF周期波动通常指向季节性，并不说明平稳。因此选A、C。

Q8. 用Yule-Walker方程计算PACF时，每次递推需要求解？

单选题 · hard

  • A.一个Toeplitz线性方程组← 正确答案
  • B.一个均值的非线性方程
  • C.一个特征值的二次方程
  • D.一个白噪声的方差公式

答案：A。Yule-Walker方程把AR系数表示为自相关矩阵乘系数向量等于自相关向量，矩阵每一条对角线上的值都相同，是典型的Toeplitz矩阵，所以每次递推求解的是线性方程组。B、C、D都不属于该递推过程，故选A。

Q9. 样本量n=100，若滞后3的样本PACF为0.20，下面判断最合理的是？

单选题 · hard

  • A.明显显著，应把AR阶数定到3
  • B.与置信带临界值接近，不宜单独定论← 正确答案
  • C.一定不显著，因为小于0.30
  • D.说明真实模型是MA(3)

答案：B。\(n=100\) 时95%置信带约为 \(\pm0.196\)，0.20只比临界值多一点点，属于边缘情况，而且同时看了多个滞后可能产生假阳性，所以不能单独凭它拍到AR(3)。A“明显显著”夸大其词，C用0.30当阈值没有依据，D更是无中生有。

Q10. 关于AR定阶，下列说法正确的有？

多选题 · extreme

  • A.PACF截尾点可作为AR阶数初选← 正确答案
  • B.样本越长置信带越窄← 正确答案
  • C.参数过多会导致过拟合← 正确答案
  • D.PACF柱只要越线就一定是真信号

答案：ABC。PACF截尾是AR定阶的第一线索；置信带宽度正比于 \(1/\sqrt{n}\)，样本越长越窄；参数过多会让模型把噪声也学进去，所以A、B、C都对。D错在把概率参考线当成绝对判决，越线可能只是多重比较下的偶然假信号，必须再结合AIC/BIC和残差检验。