我一直在努力更好地理解 PACF 和 ACF，但我确实在苦苦挣扎。
一直在使用一系列文章，例如： https ://machinelearningmastery.com/gentle-introduction-autocorrelation-partial-autocorrelation/
即使查看PACF和ACF的 statmodels 的方法签名，我仍然无法得到它。
有人可以这么好心地用一些例子来做一个“傻瓜”的解释，说明在考虑数据时会发生什么？
是否正确地说，除其他外，
还是相反？
晚上好，
让我们从一个简单的例子开始：你有一个时间序列过程，例如一些相关性高达滞后 4 的过程。
订单 ( p ) 过程是时间序列过程，其中当前值取决于先前的p值。您可以考虑超市每周销售额的示例，在这种情况下，您的 AR(4) 模型显示您当前的每周销售额取决于前 4 周的销售额（第 1 周、第 2 周、第 3 周和第 4 周） ）。
现在，让我们进入 ACF 和 PACF。
你有你的 AR(4) 模型，它基本上告诉你点的相关性直到滞后 4，这意味着你在 wk 1 和 wk 5 之间的相关性与 wk2 和 wk 6 之间的相关性相同（注意它们之间的“距离”是 4 个滞后）。类似地，对于任何数量的滞后 <4，此规则的工作方式相同：corr wk 1 和 wk 2 与 wk 2 和 wk 3 相同，依此类推。假设滞后 1（wk 1 和 wk 2）的相关性强于滞后 2（wk1 和 wk 3），这意味着随着滞后数量的增加，自相关也会降低。在每个进一步的滞后中，来自先前滞后的信息都会延续。这是一个可视化。
PACF 是一个完全不同的概念。它主要关注的是找出特定滞后的两点之间的相关性。在您的情况下，假设您想找到 wk4 和 wk3 之间的“独立”相关性，这正是 PACF 将向您展示的内容。这是一个可视化。
加在一起：wk4 的 ACF 数据将包括直到 wk3 的所有信息（wk1、wk2、wk3）。wk4 的 PACF 数据将仅包括 wk3 和 wk4 之间的“独立”（部分）相关性（这意味着它将通过这些点之间的相关性来解释，而这些点之间的相互相关性并未得到解释。
对于您关于 AR 和 MA 流程的观点，情况正好相反。ACF 变得非常小的滞后是 MA 过程的顺序。而PACF变得非常小的滞后是AR过程的顺序。
希望这可以帮助。
