KNOWECON WIKI

ARTICLE

自相关函数

自相关函数 (Autocorrelation Function) 自相关函数（Autocorrelation Function, ACF）是时间序列分析中最基础的诊断与建模工具，用于刻画随机过程在不同时滞（lag）下的线性相依结构。给定一个弱平稳（协方差平稳）过程 \X_t\_t=- ^ ，其均值 = E[X_t] 为常数，自协方差函数定义为 _k = Co

浏览 4 更新 2025-11-01

自相关函数 (Autocorrelation Function)

自相关函数（Autocorrelation Function, ACF）是时间序列分析中最基础的诊断与建模工具，用于刻画随机过程在不同时滞（lag）下的线性相依结构。给定一个弱平稳（协方差平稳）过程 {Xt}t=−∞∞\{X_t\}_{t=-\infty}^{\infty}，其均值 μ=E[Xt]\mu = \mathbb{E}[X_t] 为常数，自协方差函数定义为 γk=Cov⁡(Xt,Xt+k)=E[(Xt−μ)(Xt+k−μ)]\gamma_k = \operatorname{Cov}(X_t, X_{t+k}) = \mathbb{E}[(X_t - \mu)(X_{t+k} - \mu)]，则总体自相关函数为标准化后的自协方差：

ρk=γkγ0=Cov⁡(Xt,Xt+k)Var⁡(Xt),k=0,1,2,…\rho_k = \frac{\gamma_k}{\gamma_0} = \frac{\operatorname{Cov}(X_t, X_{t+k})}{\operatorname{Var}(X_t)}, \quad k = 0, 1, 2, \ldots

由定义知 ρ0=1\rho_0 = 1，且平稳性保证 ρk=ρ−k\rho_k = \rho_{-k}（对称性）。ACF 的值域为 [−1,1][-1, 1]，其绝对值越接近 1，表明时滞 kk 处的线性相关性越强。若对于所有 k≠0k \neq 0 有 ρk=0\rho_k = 0，则该过程为白噪声。

样本自相关函数及其渐近性质

实际应用中总体 ACF 未知，须从有限观测序列 {x1,x2,…,xn}\{x_1, x_2, \ldots, x_n\} 估计。最常用的样本自相关函数估计量为：

ρ^k=∑t=1n−k(xt−xˉ)(xt+k−xˉ)∑t=1n(xt−xˉ)2,xˉ=1n∑t=1nxt\hat{\rho}_k = \frac{\sum_{t=1}^{n-k} (x_t - \bar{x})(x_{t+k} - \bar{x})}{\sum_{t=1}^{n} (x_t - \bar{x})^2}, \quad \bar{x} = \frac{1}{n}\sum_{t=1}^{n} x_t

该估计量的分母使用全样本方差（而非仅重叠部分的方差），保证了样本自协方差矩阵的正定性，从而确保由 ρ^k\hat{\rho}_k 构造的 Toeplitz 矩阵非负定。在序列为独立同分布白噪声的原假设下，Bartlett公式给出样本 ACF 的渐近联合分布：

ρ^k→dN ⁣(0,1n),Cov⁡(ρ^k,ρ^j)≈1n for k≠j\hat{\rho}_k \xrightarrow{d} N\!\left(0, \frac{1}{n}\right), \quad \operatorname{Cov}(\hat{\rho}_k, \hat{\rho}_j) \approx \frac{1}{n} \text{ for } k \neq j

因此常以 ±1.96/n\pm 1.96 / \sqrt{n} 绘制 95\% 渐近置信带于自相关图（Correlogram）中。若某个 ρ^k\hat{\rho}_k 落在置信带之外，则初步拒绝该滞后的自相关系数为零的原假设。但需注意：由于同时检验多个滞后，个别超出置信带可能由随机波动造成，应配合整体检验综合判断。

混合检验：Box–Pierce 与 Ljung–Box

为克服逐个滞后检验的多重比较问题，Box与Pierce（1970）提出联合检验前 mm 个自相关系数是否同时为零的端口检验（Portmanteau Test）：

QBP=n∑k=1mρ^k2→dχ2(m)Q_{BP} = n\sum_{k=1}^{m}\hat{\rho}_k^2 \xrightarrow{d} \chi^2(m)

Ljung与Box（1978）提出了小样本修正版本，在有限样本下更接近卡方分布：

QLB=n(n+2)∑k=1mρ^k2n−k→dχ2(m)Q_{LB} = n(n+2)\sum_{k=1}^{m}\frac{\hat{\rho}_k^2}{n-k} \xrightarrow{d} \chi^2(m)

若 QLBQ_{LB} 超过 χ1−α2(m)\chi^2_{1-\alpha}(m)，则拒绝"序列为白噪声"的原假设。该检验在ARMA模型建模中具有双重角色：建模前用于判断序列是否具有可建模的相依结构（与KPSS检验和ADF检验配合使用），建模后用于残差诊断——若拟合充分，残差的 ACF 应接近白噪声。

偏自相关函数 (PACF)

ACF 度量的是 XtX_t 与 Xt+kX_{t+k} 的边际相关性，未能剔除中间变量 Xt+1,…,Xt+k−1X_{t+1}, \ldots, X_{t+k-1} 的传导效应。例如，若 XtX_t 遵循 AR(1) 过程，则 XtX_t 与 Xt+2X_{t+2} 虽然通过 Xt+1X_{t+1} 间接相关，其边际自相关 ρ2=ϕ2≠0\rho_2 = \phi^2 \neq 0，但给定 Xt+1X_{t+1} 后的条件相关系数为零。偏自相关函数正是为捕捉这一"净"相关性而引入的：

ϕkk=Corr⁡(Xt,Xt+k∣Xt+1,…,Xt+k−1)\phi_{kk} = \operatorname{Corr}(X_t, X_{t+k} \mid X_{t+1}, \ldots, X_{t+k-1})

PACF 等价于用 Xt+1,…,Xt+k−1X_{t+1}, \ldots, X_{t+k-1} 对 XtX_t 和 Xt+kX_{t+k} 分别做线性投影后残差之间的相关系数。其计算可通过Yule–Walker方程结合Durbin–Levinson算法递推实现，无需对每个 kk 单独估计多元回归。

ACF 与 PACF 在模型识别中的联合应用

Box–Jenkins方法中，ACF 与 PACF 的衰减模式构成 ARMA 模型阶数识别的核心依据：

  • AR(p)：ACF 呈指数衰减或阻尼正弦波衰减（拖尾），PACF 在滞后 k>pk > p 处截尾。利用 PACF 截尾性质可直接读取 AR 阶数。
  • MA(q)：ACF 在滞后 k>qk > q 处截尾，PACF 呈拖尾衰减。利用 ACF 截尾性质可直接读取 MA 阶数。
  • ARMA(p, q)：ACF 与 PACF 均呈拖尾衰减，此时需借助信息准则（AIC、BIC、HQIC）或扩展自相关函数（EACF）联合确定阶数。

这一二元判别框架简洁直观，但需注意：当参数接近非平稳或可逆边界时，ACF 与 PACF 的衰减极慢，肉眼判别变得困难。此时单位根检验和KPSS检验的先验判断至关重要。

与谱密度函数的对偶关系

Wiener–Khinchin定理（又称Bochner定理在时间序列中的体现）建立了自协方差函数与谱密度函数之间的傅里叶对偶关系。对于离散时间弱平稳过程，若自协方差序列绝对可和（∑∣γk∣<∞\sum |\gamma_k| < \infty），则谱密度函数存在且连续：

f(ω)=12π∑k=−∞∞γke−iωk,ω∈[−π,π]f(\omega) = \frac{1}{2\pi} \sum_{k=-\infty}^{\infty} \gamma_k e^{-i\omega k}, \quad \omega \in [-\pi, \pi]

逆变换给出：

γk=∫−ππf(ω)eiωk dω\gamma_k = \int_{-\pi}^{\pi} f(\omega) e^{i\omega k} \, d\omega

由此，ACF 的衰减行为与谱密度形状一一对应：ACF 快速衰减至零意味着谱密度平滑（趋近白噪声的平坦谱）；ACF 呈缓慢双曲衰减则对应谱密度在零频率处出现极点，这是长记忆过程（Long Memory）的典型特征，其自相关函数满足 ρk∼Ck2d−1\rho_k \sim C k^{2d-1}（0<d<0.50 < d < 0.5），谱密度在原点附近表现为 f(ω)∼C∣ω∣−2df(\omega) \sim C|\omega|^{-2d}。分数阶差分模型（ARFIMA）正是通过分整参数 dd 来刻画这种跨尺度的自相关结构。这一时频对偶视角为理解时间序列的周期行为、滤波设计和谱估计提供了统一的数学语言，在金融计量学（波动率长记忆性）和宏观经济学（经济周期的频域分析）中有广泛应用。

估计量的偏差与改进

样本自相关函数虽具有一致性和渐近正态性，但在有限样本下存在不可忽略的偏差。对于短序列，ρ^k\hat{\rho}_k 的期望近似为 E[ρ^k]≈ρk−∣k∣n\mathbb{E}[\hat{\rho}_k] \approx \rho_k - \frac{|k|}{n}，即存在阶为 O(n−1)O(n^{-1}) 的负偏差，滞后越大偏差越严重。此外，当过程存在显著的持续性（如接近单位根过程）时，标准渐近近似失效，ACF 的衰减偏慢，容易误判为长记忆。为此，统计学家提出多种修正方案：无偏自相关估计将分母中的 nn 替换为 n−kn-k，虽减小偏差但可能破坏正定性；Tapering（锥削）方法通过对序列两端施加权重来降低谱泄漏，在频域估计 ACF 时尤为常用；针对非平稳和近单位根过程，预白噪化（Prewhtening）先拟合低阶 AR 模型再对残差计算 ACF，可有效去除虚假的长记忆信号。在金融高频数据分析中，微观结构噪声常导致 ACF 在滞后 1 处显著为负，此时需采用去噪自相关估计（如基于已实现核的估计）以恢复真实的价格过程自相关结构。

多元推广：互相关函数与向量自相关

将单变量 ACF 推广至 mm 维向量过程 Xt=(X1t,…,Xmt)′\mathbf{X}_t = (X_{1t}, \ldots, X_{mt})'，引出自协方差矩阵序列：

Γk=E[(Xt−μ)(Xt+k−μ)′]∈Rm×m\boldsymbol{\Gamma}_k = \mathbb{E}[(\mathbf{X}_t - \boldsymbol{\mu})(\mathbf{X}_{t+k} - \boldsymbol{\mu})'] \in \mathbb{R}^{m \times m}

其对角元素为各分量的自协方差，非对角元素为互协方差。互相关函数（Cross-Correlation Function, CCF）度量不同分量之间的领先-滞后关系：ρij(k)=γij(k)/γii(0)γjj(0)\rho_{ij}(k) = \gamma_{ij}(k) / \sqrt{\gamma_{ii}(0)\gamma_{jj}(0)}。不同于 ACF 的对称性，CCF 一般不满足 ρij(k)=ρij(−k)\rho_{ij}(k) = \rho_{ij}(-k)，而是 ρij(k)=ρji(−k)\rho_{ij}(k) = \rho_{ji}(-k)，因此可用于识别Granger因果关系的方向——若 XjtX_{jt} 的过去值有助于预测 XitX_{it}，则 CCF 在正滞后处应显著。在向量自回归（VAR）建模中，多变量端口检验将 Ljung–Box 统计量推广为基于残差互相关矩阵迹的检验，用于联合诊断 VAR 模型残差是否为向量白噪声。此外，协整分析中，误差修正项的 ACF 结构为区分短期动态与长期均衡提供了关键的诊断信息。