自相关示例
主题     解释结果     会话命令    另请参见 

您要使用过去的就业数据预测食品加工业的就业情况。为此，您要使用 ARIMA，但首先使用自相关以帮助确认有希望采用的模型。由于数据显示出一个 12 月强季节性分量，因此您在滞后 12 处执行差分以实现平稳性并查看差分序列的自相关。这些数据中可能会存在某种长期趋势，但其量与季节性分量相比似乎太小。如果趋势较大，可以考虑在滞后 1 处执行另一个差分以实现平稳性。

1    打开工作表“服务处所.MTW”。

2    选择统计 > 时间序列 > 差分。

3    在序列项下，输入食品。

4    在将差分存储在中，输入食品2。

5    在滞后中，输入 12。单击确定。

6    选择 统计 > 时间序列 > 自相关。

7    在序列中，输入食品2。单击确定。

会话窗口输出

自相关函数: 食品 2

 

 

 滞后

(Lag)       ACF     T    LBQ

    1  0.701388  4.86  25.12

    2  0.512266  2.52  38.81

    3  0.366882  1.60  45.99

    4  0.310364  1.29  51.24

    5  0.234743  0.94  54.32

    6  0.173069  0.68  56.03

    7  0.162046  0.63  57.57

    8  0.170051  0.66  59.30

    9  0.322438  1.24  65.70

   10  0.252774  0.94  69.74

   11  0.208020  0.76  72.54

   12  0.150936  0.55  74.06

 

 

食品 2 的自相关

图形窗口输出

解释结果

在会话窗口中，Minitab 显示自相关、关联 t 统计量和 Ljung-Box Q 统计量。由于未指定滞后长度，因此自相关对观测值数小于或等于 240 的序列使用默认长度 n/4。Minitab 生成自相关函数 (ACF)，其中大约有 a = 0.05 临界带对应于“相关等于零”这一假设。

这些数据的 ACF 显示在滞后 1 和 2 处有较大的正峰值，且后续正相关消失得并不快。此模式在自回归过程中很典型。

要检验“所有滞后（直到滞后 6）的自相关为零”这一原假设，请参见检验自相关示例。