自相关函数用来度量时间序列中每隔 k 个时间单位（yt 和 yt–k）的观测值之间的相关。
解释
结合使用自相关函数和偏自相关函数来确定 ARIMA 模型。检查每个滞后处的峰值以确定它们是否显著。显著的峰值将超出显著限，这表明该滞后的相关不等于零。
下面的模式可帮助您指定 ARIMA 模型中的自回归项和 MA 项。
注意
在解释自相关图之前，数据应当是稳定的。稳定性时间序列具有随时间基本保持恒定的均值、方差和自相关函数。有关更多信息，请转到自相关函数的数据注意事项。
| 模式 | 模式的含义 | 示例 |
|---|---|---|
| 滞后 1 处的峰值，在几个滞后以后减小。 | 数据中的自回归项。使用偏自相关函数可以确定自回归项的阶次。 |  |
| 滞后 1 处的峰值较大，后面是一个在正相关和负相关之间交替的向下波。 | 数据中的高阶自回归项。使用偏自相关函数可以确定自回归项的阶次。 |  |
| 第一个或第二个滞后处的显著相关，后面是不显著的相关。 | 数据中的移动平均项。显著相关的个数指示移动平均项的阶次。 |  |
在该图中的滞后 1 处有一个显著的相关。此模式指示自回归项。您应当使用偏自相关函数来确定自回归项的阶次。
