【时间序列】怎么理解ACF 和PACF
目录 1 概述 2 截尾与拖尾 3 Auto regressive (AR) process 4 Moving average(MA) Process 5 总结 1 概述 ACF 是一个完整的自相关函数，可为咱们提供具备滞后值的任何序列的自相关值。简单来讲，它描述了该序列的当前值与其过去的值之间的相关程度。时间序列能够包含趋势，季节性，周期性和残差等成分。ACF在寻找相关性时会考虑全部这些成分。h
相关文章
- 1. 时间序列：理解好ACF自相关 与 PACF偏自相关
- 2. 根据ARIMA的ACF和PACF图获得相应的pq值
- 3. 根据ARIMA的ACF和PACF图得到相应的pq值
- 4. 根据ACF判断白噪声时间序列
- 5. 时间序列算法
- 6. 时间序列初级理论篇
- 7. 时间序列ARIMA模型
- 8. Python时间序列处理之ARIMA模型的使用讲解
- 9. 时间序列模型梳理
- 10. 时间序列预测
- 更多相关文章...
- • SQLite 日期 & 时间 - SQLite教程
- • XSD 日期和时间数据类型 - XML Schema 教程
- • 算法总结-归并排序
- • Docker 清理命令
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 时间序列：理解好ACF自相关 与 PACF偏自相关
- 2. 根据ARIMA的ACF和PACF图获得相应的pq值
- 3. 根据ARIMA的ACF和PACF图得到相应的pq值
- 4. 根据ACF判断白噪声时间序列
- 5. 时间序列算法
- 6. 时间序列初级理论篇
- 7. 时间序列ARIMA模型
- 8. Python时间序列处理之ARIMA模型的使用讲解
- 9. 时间序列模型梳理
- 10. 时间序列预测