01 / 04
过去留下的部分,与新的冲击相加
核心公式
先固定同一时刻,重复做 80 次实验
80 次结果的样本均值
样本方差(估计)
模型的理论方差
横轴是重复实验编号,不是时间。每根线是该次结果与样本均值的距离;把距离平方求和后除以 79,得到这 80 次实验的无偏样本方差估计。
这些分散,分别来自哪几份白噪声?
下面每块显示一项的方差贡献;不是白噪声取值,也不是整条路径的方差。
第一步:把相隔 k 步的观测配起来
第二步:看它们是不是经常同向偏离均值
右上、左下:两者同向偏离,乘积为正。左上、右下:一高一低,乘积为负。这张图解释乘积符号,并不把普通 Pearson 配对相关当作讲义的样本 ACF。
第三步:全部乘积相加,再除以共同分母
下图的横轴 k 是间隔步数,不是时刻;暗金柱为当前样本估计,酒红线仅在勾选且参数满足条件时出现。k = 0 恒为 1(方差非零时)。
上一刻0.479X₃₁
× 0.650.311过去留下的部分
新的冲击 ε₃₂−0.206常数 c = 0
+这一刻0.105X₃₂
由总体相关反解系数 数值显示经过舍入,求解使用完整精度
当前一步
过去的 65% 会进入下一刻。
冲击大小与常数项
样本序列与数值
X₀ = 0;纵轴自动缩放,比较幅度时请看刻度。
平稳解的均值 μ
平稳解的方差 γ(0)
当前观测 X₃₂
停一下,想一想
数学推导从图回到公式
Python 复现代码
全课程记号约定
- Xₜ / xₜ
- 随机变量 / 实际观测值。
- t / T
- 当前时刻 / 已观测样本的最后时刻。
- k / h / s
- 相关的滞后阶数 / 预测或冲击响应步数 / 固定冲击时刻。
- c / μ
- 递推常数项 / 过程均值;AR(p) 中 c = (1 − Σφᵢ)μ。
- φ / φᵢ / φₖ,ⱼ
- AR(1) 系数 / AR(p) 模型参数 / k 阶线性投影中第 j 个系数。
- σε² / γ(0)
- 创新方差 / 平稳过程方差,不混用。
- ρ(k) / ρ̂(k)
- 总体 ACF / 样本 ACF;PACF(k) = φₖ,ₖ。