偏(自)相关图结果解读一、分析方法概述自相关函数ACF图和偏自相关函数PACF图是时间序列分析中识别ARIMA模型阶数的核心工具。ACF衡量的是时间序列在不同滞后阶数下与自身的相关程度而PACF则剔除了中间滞后项的影响反映了序列与某一特定滞后阶数之间的直接相关性。通过观察ACF和PACF图的截尾与拖尾特征可以初步判断模型的自回归阶数p和移动平均阶数q。此外Ljung-Box Q统计量可用于检验序列是否存在自相关性。本研究借助SPSSAU软件对销量序列进行偏自相关分析。在SPSSAU【计量经济研究】模块选择【偏自相关图】将变量拖拽至右侧对应分析框操作如下图二、ACF与PACF图形分析图1 自相关函数ACF图图1为销量序列的自相关函数ACF图。从图中可以看出在滞后1阶时ACF值为0.472表现出较强的正自相关性且显著超出置信区间。随着滞后阶数的增加ACF值逐步衰减但衰减过程并非在某一阶后突然截尾为零而是呈现出缓慢拖尾的特征。在后续滞后阶数中如4阶AC-0.234、10阶AC0.161、13阶AC-0.203部分阶数的自相关系数仍表现出一定程度的显著性进一步印证了ACF图的拖尾特征。图2 偏自相关函数PACF图图2为销量序列的偏自相关函数PACF图。在滞后1阶时PACF值为0.472数值较大且显著。滞后2阶时PACF值骤降至-0.378绝对值仍然较大。此后偏自相关系数在后续各阶中虽有波动如4阶PAC-0.217但总体上呈现出拖尾衰减的趋势。综合ACF和PACF图均表现为拖尾特征表明该序列适合采用ARIMA模型进行建模。SPSSAU自动识别后建议自回归阶数p1移动平均阶数q1即ARIMA(1,0,1)模型。三、ACF与PACF数值结果分析表1展示了销量序列ACF和PACF分析的前10阶结果。从AC值来看滞后1阶的自相关系数最大AC0.472表明序列存在较强的短期自相关性。此后AC值迅速衰减在2阶至6阶之间波动于-0.234至-0.071之间7阶以后绝对值普遍较小表明自相关效应随滞后阶数增加而逐步减弱。从PAC值来看滞后1阶的偏自相关系数为0.4722阶为-0.378这两阶的偏自相关性最为突出之后的PAC值绝对值总体较小在-0.217至0.127之间波动。Ljung-Box Q统计量的检验结果同样值得关注。从表1可以看出所有滞后阶数的Q统计量对应的p值均为0.000远小于0.05的显著性水平。这意味着在各个滞后阶数上均拒绝“序列不存在自相关”的原假设即销量序列存在显著的序列相关性。Q统计量从1阶的27.416持续增加至40阶的77.346累积的自相关效应十分明显。序列相关性的存在进一步证实了采用ARIMA模型进行建模的必要性。四、结论综合ACF和PACF图的分析销量序列的ACF和PACF均表现为拖尾特征建议采用ARIMA(1,0,1)模型p1q1。Ljung-Box Q统计量检验表明各滞后阶数的p值均为0.000序列存在显著的自相关性进一步验证了使用ARIMA模型的合理性。这一分析结果为后续建立ARIMA预测模型提供了可靠的阶数选择依据。