自我相關函數(ACF)
自我相關函數計算序列在每個落後期上與自身的相關係數,繪製帶顯著性界限的自我相關圖,並給出 T 統計量和 Ljung-Box Q 統計量。預測前可用它決定是否做差分以及選用哪些 ARIMA 項,配適後可用它檢查殘差是否已不含時間模式。序列必須為數值型,按時間順序排列且沒有遺漏。
最後審閱
核心要點
自我相關函數(ACF)度量時間序列與其自身之前 1、2、3 個或更多週期的數值的相關強度,可在選擇預測模型之前揭示趨勢、季節性或前後期的延續效應。
用途
自我相關函數(ACF)度量序列與其自身之前 1、2、3 …… 個週期的數值的相關強度。這些相關係數的模式可以顯示趨勢、季節性或相鄰週期之間簡單的延續效應。在選擇預測模型之前,可用它判斷序列是否需要差分以及應嘗試哪些 ARIMA 項;在配適模型之後,可用它檢查殘差是否已不再含有時間模式。
主要功能
- 計算從 1 到您所選落後期數的每個落後期的自我相關係數,或採用基於序列長度的預設值。
- 自我相關圖(條形圖),帶有隨落後期增大而變寬的虛線顯著性界限。
- 在一張表中給出每個落後期的 T 統計量以及累積的 Ljung-Box Q(LBQ)統計量。
- 適用於任何按時間順序排列的數值欄;序列不得有遺漏。
統計方法
對於平均值為 ȳ 的序列 y₁ … yₙ,落後 k 期的自我相關係數為 rₖ = Σₜ (yₜ − ȳ)(yₜ₊ₖ − ȳ) / Σₜ (yₜ − ȳ)²,即標準的樣本 ACF。其標準誤採用 Bartlett 公式 SEₖ = √((1 + 2·(r₁² + … + rₖ₋₁²)) / n),因此當前面的自我相關係數較大時,標準誤會隨落後期增大。T 欄為 rₖ / SEₖ,圖中的顯著性界限為 ± t₀.₉₇₅,ₙ₋₁ × SEₖ(約為 ±2 個標準誤)。超出界限的條形表示在 5% 水準下不太可能由偶然因素造成的相關。
Ljung-Box 統計量 LBQₖ = n(n + 2)·Σⱼ≤ₖ rⱼ² / (n − j) 用於檢定前 k 個自我相關係數是否同時為零。對於隨機序列,它近似服從自由度為 k 的卡方分配,因此若該值遠高於卡方臨界值,則說明序列存在有待建模的時間模式。當 Number of lags 留空時,工具使用 n/4 個落後期(n > 240 時為 √n + 45),且不超過 n − 1。
如何讀圖:若相關係數在許多落後期上緩慢衰減,表示存在趨勢(序列不定態,需要做差分);在季節性落後期(月度資料為 12)出現峰值,表示存在季節性;在落後 q 期之後驟然截斷,則提示可使用 q 階移動平均項。
輸入欄位和選項
欄位 | 說明 |
Variable | 必填。存放序列的數值欄,按時間順序排列。 |
Number of lags | 可選,1 至 1000。顯示的最大落後期。留空則使用 n/4(n > 240 時為 √n + 45)。對於季節性資料,至少選擇兩個完整的季節,例如月度資料選 24。 |
Title | 圖中顯示的標題。預設為 Autocorrelation Function。 |

圖 1 — 月度 Sales 在 24 個落後期(兩年)上的自我相關。
輸出說明
- Autocorrelation Function(圖形)— 每個落後期一根條形,並附虛線顯著性界限。
- Autocorrelation Function: <variable>(表格)— 每個落後期的 Lag、ACF、T 和 LBQ。
- 可透過 Download 匯出 PDF。

圖 2 — 月度銷量的 ACF:落後 1 期的相關係數較大,為 0.79,並緩慢衰減,在落後 12 期處再次上升。
計算範例
一家消費電子經銷商記錄了 2020 年 1 月至 2024 年 12 月(60 個月)每月的銷量。在建立預測之前,銷售分析師檢查每個月與其之前 24 個月的關係。分析師選擇 Variable = Sales 和 Number of lags = 24。
落後 1 期的自我相關係數為 0.79(T 為 6.08):相鄰月份非常相似。相關係數只是緩慢下降,從落後 2 期的 0.58 降至落後 6 期的 0.49,且落後 1 至 5 期落在顯著性界限之外。這種緩慢衰減是趨勢的標誌:銷量並不定態。在落後 10 期降至 0.28 的低點後,ACF 在落後 12 期(即年度週期)再次升至 0.51;該條形仍在界限之內,因為此時由於前面較大的相關係數,界限已變得很寬(±0.66)。LBQ 在落後 24 期達到 228.1,遠高於 36.4,即自由度為 24 的卡方分配 5% 臨界值,因此存在顯著的、有待建模的時間模式。
對於預測而言,這意味著應當對序列做差分(此處為 12 個月的季節性差分),或直接對趨勢建模。在 Sales 的 12 個月差分序列上,緩慢衰減消失了:落後 1 期的 ACF 為 0.47,直到落後 11 期沒有其他落後期超出界限,因此 ARIMA 範例對季節性差分後的序列使用 AR(1) 項。Advertising Spend 的 ACF 具有更強的年度峰值:落後 12 期為 0.59(T 為 2.52)。
常見問題
什麼是自我相關函數(ACF)?
自我相關函數度量序列與其自身之前 1、2、3 個或更多週期的數值的相關強度。落後 k 期的自我相關係數是將每個值與相隔 k 個週期之後的值相對於序列平均值進行比較。這些相關係數的模式可以揭示趨勢、季節性或相鄰週期之間簡單的延續效應。
如何解讀 ACF 圖?
超出虛線顯著性界限的條形,表示在 5% 水準下不太可能由偶然因素造成的相關。相關係數在許多落後期上緩慢衰減,表示存在趨勢,序列不定態,需要做差分。在季節性落後期(如月度資料的 12)出現峰值,表示存在季節性。在落後 q 期之後驟然截斷,則提示可使用 q 階移動平均項。
Ljung-Box Q(LBQ)統計量檢定什麼?
Ljung-Box 統計量用於檢定前 k 個自我相關係數是否同時為零。對於隨機序列,它近似服從自由度為 k 的卡方分配,因此若該值遠高於卡方臨界值,則說明序列存在有待建模的時間模式。在銷量範例中,LBQ 在落後 24 期達到 228.1,遠高於 36.4。
ACF 應使用多少個落後期?
若留空,工具使用 n/4 個落後期,當 n 超過 240 時使用 n 的平方根加 45,且不超過 n - 1。對於季節性資料,至少選擇兩個完整的季節,例如月度資料選 24 個落後期,這樣才能看到季節性峰值及其重複。
