当面对满足均值遍历性和二阶矩遍历性的平稳时间序列,我们可以从单次观察中洞察其长期趋势。总体平均与时间平均并无二致,让我们计算起核心的样本自协方差:
自协方差函数是衡量随机信号在不同时间点,如t与t-k,取值之间起伏变化相关程度的量。它是中心化的自相关函数,定义为:
在AR模型中,当我们讨论时间平移后的信号与自身的协方差,会用到以下表达式:
而对于AR序列,通过Yule-Walker方程,我们可以推导出自协方差函数与模型参数的联系,甚至在实际中,通常会用样本自协方差函数来逼近理论值。
自相关函数揭示了随机信号在不同时间点,如t与t+k,的直接关联。对于零均值的平稳AR序列,它呈现为:
自相关系数的递推公式展示了这种联系的衰减特性,它通常以负指数形式衰减,并带有拖尾效应。
偏自相关系数超越了简单的自相关,它考虑了中间k-1个随机变量的影响,定义为:
在中心化平稳AR序列中,通过k阶自回归拟合,我们能得到偏自相关系数的直观表达。Levinson递推公式揭示了其与AR拟合的紧密联系,当k之后,偏自相关系数趋于零,展示了其截尾特性。