跳到主要内容时间序列建模基础:差分、ACF/PACF 与 AR/MA/ARMA 模型 | 极客日志PythonAI算法
时间序列建模基础:差分、ACF/PACF 与 AR/MA/ARMA 模型
综述由AI生成时间序列分析中,平稳性是建模的前提。通过普通差分消除趋势,季节性差分去除周期波动,可使数据满足平稳性要求。利用自相关函数 ACF 与偏自相关函数 PACF 的截尾与拖尾特征,可辅助判断 AR、MA 及 ARMA 模型的阶数。结合 Python 代码示例,演示了随机游走、季节性序列的生成与检验,以及不同模型下的统计诊断过程。
DebugKing21 浏览 经典时序模型(1)——差分、ACF/PACF 与 AR/MA/ARMA
学习要点
- 平稳性为什么重要(很多经典模型的前提)。
- 差分如何消除趋势(让序列更接近平稳)。
- 季节性差分如何消除周期波动。
- ACF / PACF如何辅助判断:AR(p)、MA(q)、ARMA(p,q)。
注意
- 下面的例子主要用模拟数据,目的是把概念'看见'。
- ACF/PACF 的经验规律适用于已经平稳的序列;如果原序列不平稳,请先差分。
先回顾:我们要检验什么?
做经典时间序列建模(如 ARIMA)前,常见的'体检项目'包括:
- 自相关性(ACF/PACF):序列是否存在滞后相关(是否'有记忆')。
- 平稳性(ADF):均值/方差等统计特性是否随时间变化。
- 季节性:是否存在固定周期(如月度数据的 12 个月周期)。
接下来我们主要处理两类'常见问题':
- 趋势导致的非平稳 → 用(普通)差分处理。
- 季节性导致的周期结构 → 用季节性差分处理。
而'自相关性'并不是要消除的毛病,反而是后续选择 AR/MA/ARMA 的重要线索。
一、让序列更平稳:差分
1.1 为什么要平稳?
很多经典时序模型假设序列的统计特性相对稳定(均值、方差、协方差不随时间漂移)。如果序列存在明显趋势(均值在变)或波动强度在变(方差在变),模型会更难'抓住规律'。
1.2 普通差分(处理趋势)
差分的思想:把'水平'变化转为'变化速度'。
- 一阶差分:Δy_t = y_t - y_{t-1}
- 二阶差分(对一阶差分再差分):Δ²y_t = Δy_t - Δy_{t-1}
实践中通常先尝试一阶差分;差分次数越高,越容易把结构'过度差分'掉(信息被抹平)。
import warnings
warnings.filterwarnings("ignore")
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima_process import ArmaProcess
from statsmodels.tsa.arima.model import ARIMA
plt.rcParams[] = [, , ]
plt.rcParams[] =
():
series = pd.Series(series).dropna()
stat, p_value, _, _, critical_values, _ = adfuller(series, autolag=)
()
()
()
"font.sans-serif"
"SimHei"
"Arial Unicode MS"
"DejaVu Sans"
"axes.unicode_minus"
False
def
adf_test
series: pd.Series, name: str = "序列"
"""ADF 单位根检验:p-value 越小,越倾向于拒绝'存在单位根(非平稳)'的原假设。"""
"AIC"
print
f"[{name}] ADF Statistic: {stat:.4f}"
print
f"[{name}] p-value : {p_value:.6f}"
print
f"[{name}] Critical : {{k: round(v, 4) for k, v in critical_values.items()}}"
1.3 用'随机游走 + 趋势'构造一个典型的非平稳序列
随机游走(Random Walk)是时间序列里非常经典的'非平稳'例子:它会随时间漂移,没有稳定的均值;叠加一个线性趋势后,非平稳性会更明显。
下面我们生成一段数据,并用 ADF 检验 + 一阶差分来观察'治疗前后'的变化。
np.random.seed(42)
n = 500
random_walk = np.random.randn(n).cumsum()
trend = np.linspace(0, 100, n)
data = pd.Series(random_walk + trend)
data.index = pd.date_range(start="2022-01-01", periods=n, freq="D")
plt.figure(figsize=(12, 4))
plt.plot(data)
plt.title("原始序列:随机游走 + 趋势(明显非平稳)")
plt.tight_layout()
plt.show()
adf_test(data, name="原始序列")
[原始序列] ADF Statistic: 0.1358
[原始序列] p-value : 0.968421
[原始序列] Critical : {'1%': -3.4435, '5%': -2.8673, '10%': -2.5699}
data_diff_1 = data.diff().dropna()
plt.figure(figsize=(12, 4))
plt.plot(data_diff_1)
plt.axhline(0, color="gray", linewidth=1, linestyle="--")
plt.title("一阶差分后的序列(通常更接近平稳)")
plt.tight_layout()
plt.show()
adf_test(data_diff_1, name="一阶差分后")
[一阶差分后] ADF Statistic: -22.3130
[一阶差分后] p-value : 0.000000
[一阶差分后] Critical : {'1%': -3.4435, '5%': -2.8674, '10%': -2.5699}
二、处理季节性:季节性差分
很多序列(销量、客流、气温)会在固定周期内重复波动,这就是季节性。
2.1 季节性差分(Seasonal Differencing)
思想与普通差分相同,只是'减去的不是上一期',而是'减去上一个周期的同位置'。
- 月度数据的年度季节:
s = 12
- 季度数据的年度季节:
s = 4
如果序列同时存在趋势 + 季节性,常见做法是:先做季节性差分(去周期),再对结果做一阶差分(去趋势)。
np.random.seed(7)
time_index = pd.date_range(start="2020-01-01", periods=48, freq="M")
seasonal = 10 * np.sin(np.arange(48) * (2 * np.pi / 12))
trend = np.linspace(0, 20, 48)
noise = np.random.randn(48) * 2
seasonal_data = pd.Series(seasonal + trend + noise, index=time_index)
seasonal_diff_12 = seasonal_data.diff(periods=12).dropna()
fig, axes = plt.subplots(2, 1, figsize=(12, 6), sharex=True)
axes[0].plot(seasonal_data)
axes[0].set_title("原始季节性序列(趋势 + 季节 + 噪声)")
axes[1].plot(seasonal_diff_12)
axes[1].axhline(0, color="gray", linewidth=1, linestyle="--")
axes[1].set_title("季节性差分后(s=12)")
plt.tight_layout()
plt.show()
adf_test(seasonal_data, name="原始季节性序列")
adf_test(seasonal_diff_12, name="季节性差分后(s=12)")
[原始季节性序列] ADF Statistic: 0.7819
[原始季节性序列] p-value : 0.991338
[原始季节性序列] Critical : {'1%': -3.6155, '5%': -2.9413, '10%': -2.6092}
[季节性差分后(s=12)] ADF Statistic: -5.5909
[季节性差分后(s=12)] p-value : 0.000001
[季节性差分后(s=12)] Critical : {'1%': -3.6327, '5%': -2.9485, '10%': -2.613}
三、模型选择:AR / MA / ARMA 与 ACF/PACF
现在假设我们已经拿到了平稳序列(原序列平稳,或通过差分变得平稳)。
3.1 ACF 与 PACF:分别在看什么?
- ACF(自相关):y_t 与 y_{t-k} 的相关性(包含间接影响)。
- PACF(偏自相关):控制了中间滞后项后,y_t 与 y_{t-k} 的'直接相关'。
3.2 '截尾'与'拖尾'(经验规律)
| 模型 | ACF 特征 | PACF 特征 |
|---|
| AR(p) | 拖尾 | 在 p 阶后截尾 |
| MA(q) | 在 q 阶后截尾 | 拖尾 |
| ARMA(p,q) | 拖尾 | 拖尾 |
注意:这是非常常用的入门规律,但真实业务数据里常需要结合 AIC/BIC、残差白噪声检验等一起判断。
3.3 AR(p):自回归('惯性/记忆')
AR(p) 的直观解释:当前值由过去 p 期的值线性决定(再加上随机扰动)。
y_t = φ_1 y_{t-1} + ... + φ_p y_{t-p} + ε_t
下面模拟一个 AR(2) 序列,并用 ACF/PACF 验证'PACF 在 2 阶后截尾'的现象。
print("--- 案例一:AR(2) 模型 ---")
ar_params = np.array([0.7, 0.2])
ma_params = np.array([])
ar_process = ArmaProcess.from_coeffs(arcoefs=ar_params, macoefs=ma_params)
np.random.seed(100)
ar_data = ar_process.generate_sample(nsample=500)
fig, axes = plt.subplots(3, 1, figsize=(10, 9))
axes[0].plot(ar_data)
axes[0].set_title("模拟序列:AR(2)")
plot_acf(ar_data, ax=axes[1], lags=20, title="ACF(AR 通常拖尾)")
plot_pacf(ar_data, ax=axes[2], lags=20, title="PACF(AR(p) 通常在 p 阶截尾)")
plt.tight_layout()
plt.show()
model_ar = ARIMA(ar_data, order=(2, 0, 0)).fit()
print(model_ar.summary())
SARIMAX Results ==============================================================================
Dep. Variable: y No. Observations: 500
Model: ARIMA(2, 0, 0) Log Likelihood -724.007
Date: Fri, 09 Jan 2026 AIC 1456.014
Time: 15:58:24 BIC 1472.873
Sample: 0 HQIC 1462.629
==============================================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
const -0.0971 0.578 -0.168 0.867 -1.231 1.036
ar.L1 0.6557 0.042 15.552 0.000 0.573 0.738
ar.L2 0.2646 0.043 6.096 0.000 0.180 0.350
sigma2 1.0562 0.066 16.075 0.000 0.927 1.185
==============================================================================================
Ljung-Box (L1) (Q): 0.04 Jarque-Bera (JB): 3.45 Prob(Q): 0.84 Prob(JB): 0.18
Heteroskedasticity (H): 0.96 Skew: 0.19 Prob(H) (two-sided): 0.79 Kurtosis: 3.15
==============================================================================================
Warnings: [1] Covariance matrix calculated using the outer product of gradients (complex-step).
3.4 MA(q):移动平均('短期冲击')
MA(q) 的直观解释:当前值由当前与过去 q 期的**随机冲击(误差项)**叠加形成。
y_t = ε_t + θ_1 ε_{t-1} + ... + θ_q ε_{t-q}
它很适合描述'突发冲击会影响一小段时间然后消失'的现象,例如生产线短暂故障、突发促销、短期测量误差。
MA(q) 的典型经验规律:ACF 在 q 阶后截尾,而 PACF 往往拖尾。
print("--- 案例二:MA(2) 模型 ---")
ar_params = np.array([])
ma_params = np.array([0.8, 0.4])
ma_process = ArmaProcess.from_coeffs(arcoefs=ar_params, macoefs=ma_params)
np.random.seed(200)
ma_data = ma_process.generate_sample(nsample=500)
fig, axes = plt.subplots(3, 1, figsize=(10, 9))
axes[0].plot(ma_data)
axes[0].set_title("模拟序列:MA(2)")
plot_acf(ma_data, ax=axes[1], lags=20, title="ACF(MA(q) 通常在 q 阶截尾)")
plot_pacf(ma_data, ax=axes[2], lags=20, title="PACF(MA 通常拖尾)")
plt.tight_layout()
plt.show()
model_ma = ARIMA(ma_data, order=(0, 0, 2)).fit()
print(model_ma.summary())
SARIMAX Results ==============================================================================
Dep. Variable: y No. Observations: 500
Model: ARIMA(0, 0, 2) Log Likelihood -704.426
Date: Fri, 09 Jan 2026 AIC 1416.852
Time: 15:58:25 BIC 1433.710
Sample: 0 HQIC 1423.467
==============================================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
const 0.0582 0.100 0.584 0.559 -0.137 0.253
ma.L1 0.8252 0.041 19.978 0.000 0.744 0.906
ma.L2 0.4180 0.041 10.099 0.000 0.337 0.499
sigma2 0.9785 0.063 15.604 0.000 0.856 1.101
==============================================================================================
Ljung-Box (L1) (Q): 0.42 Jarque-Bera (JB): 0.01 Prob(Q): 0.51 Prob(JB): 0.99
Heteroskedasticity (H): 1.08 Skew: -0.01 Prob(H) (two-sided): 0.62 Kurtosis: 2.99
==============================================================================================
Warnings: [1] Covariance matrix calculated using the outer product of gradients (complex-step).
3.5 ARMA(p,q):惯性 + 冲击的混合
- 惯性(AR):例如销量受上个月销量影响;
- 短期冲击(MA):例如某次活动/舆情导致短期偏离。
ARMA(p,q) 的经验特征:ACF 与 PACF 往往都会拖尾,因此仅凭图形精确定阶会更难。常见策略是从低阶(如 (1,1))开始,结合 AIC/BIC 与残差诊断逐步选择。
print("--- 案例三:ARMA(1,1) 模型 ---")
ar_params = np.array([0.8])
ma_params = np.array([0.5])
arma_process = ArmaProcess.from_coeffs(arcoefs=ar_params, macoefs=ma_params)
np.random.seed(300)
arma_data = arma_process.generate_sample(nsample=500)
fig, axes = plt.subplots(3, 1, figsize=(10, 9))
axes[0].plot(arma_data)
axes[0].set_title("模拟序列:ARMA(1,1)")
plot_acf(arma_data, ax=axes[1], lags=20, title="ACF(ARMA 常拖尾)")
plot_pacf(arma_data, ax=axes[2], lags=20, title="PACF(ARMA 常拖尾)")
plt.tight_layout()
plt.show()
model_arma = ARIMA(arma_data, order=(1, 0, 1)).fit()
print(model_arma.summary())
SARIMAX Results ==============================================================================
Dep. Variable: y No. Observations: 500
Model: ARIMA(1, 0, 1) Log Likelihood -709.905
Date: Fri, 09 Jan 2026 AIC 1427.810
Time: 15:58:25 BIC 1444.669
Sample: 0 HQIC 1434.426
==============================================================================================
coef std err z P>|z| [0.025 0.975]
------------------------------------------------------------------------------
const 0.4134 0.284 1.455 0.146 -0.144 0.970
ar.L1 0.7579 0.032 24.059 0.000 0.696 0.820
ma.L1 0.5038 0.043 11.664 0.000 0.419 0.588
sigma2 0.9982 0.062 16.094 0.000 0.877 1.120
==============================================================================================
Ljung-Box (L1) (Q): 0.49 Jarque-Bera (JB): 11.71 Prob(Q): 0.48 Prob(JB): 0.00
Heteroskedasticity (H): 0.82 Skew: 0.35 Prob(H) (two-sided): 0.20 Kurtosis: 3.26
==============================================================================================
Warnings: [1] Covariance matrix calculated using the outer product of gradients (complex-step).
总结
今日所学
- 趋势导致的非平稳:用 一阶/二阶差分(
Series.diff())。
- 季节性:用 季节性差分(
Series.diff(periods=s))。
- 定阶线索:在平稳序列上观察 ACF/PACF 的截尾与拖尾。
与 ARIMA 的关系
p:AR 阶数(常从 PACF 的截尾特征获取线索)
d:差分次数(让序列更接近平稳)
q:MA 阶数(常从 ACF 的截尾特征获取线索)
相关免费在线工具
- 加密/解密文本
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
- RSA密钥对生成器
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
- Mermaid 预览与可视化编辑
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
- 随机西班牙地址生成器
随机生成西班牙地址(支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选),支持数量快捷选择、显示全部与下载。 在线工具,随机西班牙地址生成器在线工具,online
- Gemini 图片去水印
基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印,支持批量处理与下载。 在线工具,Gemini 图片去水印在线工具,online
- curl 转代码
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online