statsmodels.tsa.stattools.acovf¶

statsmodels.tsa.stattools.acovf(x, adjusted=False, demean=True, fft=True, missing='none', nlag=None)[source]¶

估计自协方差。

Parameters:¶

xarray_like

时间序列数据。必须是1维的。

adjustedbool, default False

如果为真，则分母为 n-k，否则为 n。

demeanbool, default True

如果为真，则从x的每个元素中减去x的均值。

fftbool, default True

如果为真，使用FFT卷积。 这种方法应该优先用于长时间序列。

missingstr, default “none”

指定如何处理NaNs的字符串，取值范围为[“none”, “raise”, “conservative”, “drop”]。“none”不进行检查。“raise”在发现NaN值时引发异常。“drop”删除缺失的观测值，然后估计自协方差，将非缺失值视为连续的。“conservative”使用nan-ops计算自协方差，以便在计算用于估计自协方差的均值和交叉乘积时删除NaN。使用“conservative”时，n设置为非缺失观测值的数量。

nlag{int, None}, default None

限制返回的自协方差数量。返回的数组大小为 nlag + 1。当 fft 为 False 时设置 nlag，使用一个简单的、直接的自协方差估计器，该估计器仅计算前 nlag + 1 个值。当时间序列较长且仅需少量自协方差时，这可以大大加快计算速度。

Returns:¶

ndarray

估计的自协方差。

参考文献

[1]

Parzen, E., 1963. 关于缺失观测值和幅度调制的谱分析。Sankhya: 印度统计杂志, 系列 A, 第383-392页。