statsmodels.tsa.stattools.pacf_ols¶

statsmodels.tsa.stattools.pacf_ols(x, nlags=None, efficient=True, adjusted=False)[source]¶

通过OLS计算偏自相关。

Parameters:¶

xarray_like

计算偏自相关函数（pacf）所用的时间序列观测值。

nlagsint, optional

要返回自相关的滞后阶数。如果未提供，使用 min(10 * np.log10(nobs), nobs - 1)。

efficientbool, optional

如果为真，使用最大数量的可用观测值来计算每个偏自相关。如果不是，则使用相同数量的观测值来计算所有pacf值。

adjustedbool, optional

将每个偏自相关系数调整为 n / (n - 滞后)。

Returns:¶

ndarray

部分自相关，(maxlag,) 数组，对应于滞后 0, 1, …, maxlag。

另请参阅

statsmodels.tsa.stattools.pacf

偏自相关估计。

statsmodels.tsa.stattools.pacf_yw

使用Yule-Walker进行偏自相关估计。

statsmodels.tsa.stattools.pacf_burg

使用Burg方法进行偏自相关估计。

注释

这使用[1]中的方法，为每个所需的滞后分别进行OLS估计。将efficient设置为True有两个效果。首先，它使用nobs - lag个观测值来估计每个pacf。其次，它在每个回归中重新估计均值。如果efficient为False，则首先对数据进行去均值处理，然后使用nobs - maxlag个观测值来估计每个偏自相关。

低效的估计器似乎具有更好的有限样本性质。 此选项仅应在协方差平稳的时间序列中使用。

OLS估计的pacf并不能保证所有pacf值都在-1和1之间。

参考文献

[1]

Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). 时间序列分析：预测与控制。John Wiley & Sons, p. 66