autocorr
样本自相关
语法
描述
例子
绘制时间序列的自相关函数
指定MA(2)模型:
在哪里 为高斯分布，均值为0，方差为1。
RNG（1）;%的再现性Mdl = arima (“马”{-0.5 - 0.4},“不变”0,“方差”, 1)
描述:“arima(0,0,2)模型(高斯分布)”分布:Name = "高斯" P: 0 D: 0 Q: 2 Constant: 0 AR: {} SAR: {} MA: {-0.5 0.4} at lag [1 2] SMA:{}季节性:0 Beta: [1×0]方差:1
模拟1000个观测Mdl．
y =模拟(Mdl, 1000);
计算20次延迟的ACF。指定 为MA(2)模型，即第二次滞后后ACF有效为0。
(acf、滞后界限)= autocorr (y,“NumMA”2);界限
边界=2×10.0843 - -0.0843
界限是（-0.0843,0.0843），是上下置信度。
绘制ACF。
AutoCorr（Y）
ACF在第二次延迟后切断。这种行为是MA(2)过程的指示。
为ACF图指定更多的滞后
指定乘数季节ARMA 模型:
在哪里 为高斯分布，均值为0，方差为1。
Mdl = arima (基于“增大化现实”技术的{0.75, 0.15},'sar'，{0.9，-0.5,0.5}，．．.“SARLags”(12、24、36),“马”，-0.5，“不变”2,．．.“方差”1);
模拟的数据Mdl．
RNG（1）;%的再现性y =模拟(Mdl, 1000);
绘制默认的自相关函数(ACF)。
图autocorr (y)
默认相关图不显示高滞后的依赖结构。
绘制40次滞后的ACF。
图autocorr (y,“NumLags”现年40岁的“NumSTD”3)
相关图显示了滞后12、24和36的较大相关性。
比较归一化级数和非归一化级数的ACF
尽管存在各种样本自相关函数的估计，autocorr使用Box，Jenkins和Reinsel，1994中的表格。在他们的估计中，他们通过示例方差缩放每个滞后的相关性（var (y, 1))，使滞后0时的自相关是统一的。但是，某些应用程序需要将标准化ACF按另一个因素进行缩放。
模拟标准高斯分布的1000个观察。
RNG（1）;%的再现性Y = randn(1000, 1);
计算归一化和非归一化样本ACF。
[rangalizedacf，lags] = autocorr（y，“NumLags”10）;UnnormalizedAcf = rangalizedacf * var（y，1）;
比较有和没有标准化的样品ACF的前10个滞后。
(滞后normalizedACF unnormalizedACF]
ans =11×30.0000 0.9960 1.0000 -0.0180 -0.0180 2.0000 0.0536 0.0534 3.0000 -0.0206 -0.0205 4.0000 -0.0300 -0.0299 5.0000 -0.0086 -0.0086 6.0000 -0.0108 -0.0107 7.0000 -0.0116 -0.0116 8.0000 0.0309 0.0307 9.0000 0.0341 0.0340⋮
输入参数
输出参数
更多关于
提示
要绘制没有置信界限的ACF，请设置'numstd'，0．
算法
如果
y一个完全被观察的序列(也就是说，它不包含任何序列南值),然后autocorr使用傅里叶变换在频域计算ACF，然后使用傅里叶反变换将其转换回时域。如果
y没有完全观察到（即，它包含至少一个南值),autocorr计算滞后的ACFk在时域中，样本平均值中只包括那些叉乘的项ytyt+k的存在。因此，有效样本量是一个随机变量。autocorr当您不请求任何输出或请求第四个输出时绘制ACF。
参考
[1] Box, G. E. P. G. M. Jenkins和G. C. Reinsel。时间序列分析:预测与控制．3版。恩格尔伍德悬崖，NJ: Prentice Hall, 1994。
j·D·汉密尔顿时间序列分析．普林斯顿，新泽：普林斯顿大学出版社，1994年。
你也可以从以下列表中选择一个网站:
