PartialCorrelationFunction

PartialCorrelationFunction[data,hspec]

根据 data 估计滞后 hspec 处的偏相关函数.

PartialCorrelationFunction[tproc,hspec]

对于时间序列过程 tproc，表示滞后 hspec 处的偏相关函数.

更多信息

  • PartialCorrelationFunction 也称为偏自相关函数（PACF）.
  • PartialCorrelationFunction 表示 x(t) 和 x(t+h) 之间的相关性，以 x(u)（t<u<t+h）为条件，并且x(t) 表示时间 t 处的 tproc.
  • 仅当 tproc 是弱稳态过程时才定义 PartialCorrelationFunction[tproc,hspec].
  • 过程 tproc 可以是任意满足 WeakStationarity[tproc] 给出 True 的过程.
  • 可以将 hspec 设为：
  • τ位于时间或者滞后 τ 处
    {τmax}从 0 到 τmax 的单位
    {τmin,τmax}从 τmin 到 τmax 的单位
    {τmin,τmax,dτ}从 τmin 到 τmax，步长为 dτ
    {{τ1,τ2,…}}使用显式的 {τ1,τ2,…}

范例

打开所有单元关闭所有单元

基本范例  (3)

估计滞后2处的偏相关函数：

来自自回归时间序列的随机样本的样本偏相关函数：

ARProcess 的偏相关性函数:

范围  (9)

经验估计  (6)

估计滞后9处某些数据的偏相关函数：

获取至多到滞后9处，偏相关函数的经验估计：

步长为2，计算滞后从1到9的偏相关函数：

计算时间序列的偏相关函数：

时间序列的多个滞后的偏相关函数的结果为一个时间序列：

估计一组路径的偏相关函数：

比较经验和理论相关函数：

随机过程  (3)

MAProcess 的偏相关函数具有无穷支持：

ARProcess 的偏相关函数具有有限支持：

ARMAProcess 的偏相关函数具有无穷支持：

应用  (2)

判断是否能用 MAProcess 或者 ARProcess 来模拟下列数据：

很难从样本路径判断内在过程：

数据的偏相关函数缓慢衰减：

MAProcess 明显比 ARProcess 是更好的模型：

创建具有白噪声置信带的 PACF 图线：

绘制在 95% 白噪声置信带下，到滞后 20 时的偏相关函数的图线：

与不相关白噪声比较：

属性和关系  (3)

样本偏相关函数是过程偏相关函数的有偏估计：

计算样本偏相关函数：

过程的偏相关函数：

绘制两个函数的图线：

使用 CorrelationFunction 直接计算 PartialCorrelationFunction：

使用相关性向量的前 个分量定义 ToeplitzMatrix：

使用最后 个分量替换矩阵中的最后一列：

计算行列式的比值：

与 PartialCorrelationFunction 的值比较：

对于滞后1，偏相关函数和相关函数相同：

对于 ARProcess：

可能存在的问题  (2)

对非弱平稳过程不存在偏相关函数：

对于零时间差，没有定义偏相关函数：

Wolfram Research (2012)，PartialCorrelationFunction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html.

文本

Wolfram Research (2012)，PartialCorrelationFunction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html.

CMS

Wolfram 语言. 2012. "PartialCorrelationFunction." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html.

APA

Wolfram 语言. (2012). PartialCorrelationFunction. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html 年

BibTeX

@misc{reference.wolfram_2024_partialcorrelationfunction, author="Wolfram Research", title="{PartialCorrelationFunction}", year="2012", howpublished="\url{https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html}", note=[Accessed: 22-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_partialcorrelationfunction, organization={Wolfram Research}, title={PartialCorrelationFunction}, year={2012}, url={https://reference.wolfram.com/language/ref/PartialCorrelationFunction.html}, note=[Accessed: 22-November-2024 ]}