如何通过acf/pacf看时间序列的平稳性？

看显著性，哪个滞后显著就把哪个滞后代入模型。

全都显著咋办。。。。

要人工看我就奔溃了

比如我的场景下，有几千个时间序列

都要一个个做出acf，pacf来人工看，那岂不是悲剧了

就用AIC准则判断

为啥不用eacf

那就非平稳，需要差分

ARIMA模型的参数\( p, d, q \)分别代表自回归项阶数、差分阶数和滑动平均项阶数。

1. 自相关函数(ACF)图：用于确定\( p \)，即自回归项的阶数。如果ACF图在某点之后显著衰减或者截尾，那么这个点可能对应于\( p \)的值。

2. 偏自相关函数(PACF)图：用于确定\( q \)，即滑动平均项的阶数。与ACF图不同，PACF图通常会在超过某阶后仍然有显著的相关性。这个阶数可能对应于\( q \)的值。

3. 差分阶数\( d \)：一般通过检查时间序列是否平稳来确定。如果原始序列是非平稳的，可以通过一次或多次差分将其转换为平稳序列。此时的差分阶数\( d \)就是差分的次数。

总结来说，分析ACF和PACF图可以帮助我们找到自回归项、滑动平均项的阶数，再通过时间序列的平稳性确定差分阶数。

此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用