互相关函数
CCF 计算第一个序列与第二个序列在从 −k 到 +k 的每个滞后期上的相关,并绘制为相关图,近似 95% 限为 ±2/√(n − |lag|)。正滞后期上的大值表示第一个变量领先。两个序列都必须为数值、无缺失且长度相等。共同趋势会使所有滞后期上的值虚高。
最后审阅
核心要点
互相关函数(CCF)度量一个时间序列相对于另一个时间序列平移若干期后两者如何一起变动,显示其中一个的变化是与另一个同时发生,还是领先于另一个。
用途
互相关函数(CCF)度量一个时间序列相对于另一个时间序列向任一方向平移 0、1、2 …… 期时,两者如何一起变动。它显示其中一个序列的变化是与另一个序列的变化发生在同一期,还是领先若干期。例如,在建立带滞后输入的模型之前,可用它检查输入(进给速度、温度、广告)的变化是立即反映在输出上,还是延迟反映。
主要功能
- 在从 −k 到 +k 的每个滞后期上计算互相关,其中 k 为您选择的滞后期数,或根据序列长度确定的默认值。
- 相关图(条形图),带有位于 ±2/√(n − |lag|) 处的虚线限。
- 图上的说明指出方向含义:正滞后期表示第一个变量领先于第二个变量。
- 各滞后期互相关的表格。
统计方法
对于两个长度同为 n 的序列 xₜ(First variable)和 yₜ(Second variable),滞后 k 期的互相关是 xₜ 与 yₜ₊ₖ 的相关:rₓᵧ(k) = Σₜ (xₜ − x̄)(yₜ₊ₖ − ȳ) / (n·sₓ·sᵧ),使用整个序列的均值和标准差,并且在每个滞后期都除以 n(标准的、未经偏差调整的估计)。正滞后 k 将 x 与 k 期之后的 y 比较,因此正滞后期上的大值表示 x 领先于 y;负滞后期上的大值表示 y 领先于 x。交换两个变量会使图形关于滞后 0 镜像对称。
限值 ±2/√(n − |k|) 是两个无关随机序列互相关的近似 95% 限。超出该限的条形比偶然性所能产生的更大。Number of lags 留空时,工具使用 √n + 10(向下取整),且不超过 n − 1。两列都必须为数值、无缺失且长度相同。
两个序列如果都有趋势或都遵循相同的季节性,即使彼此并不驱动对方,在几乎每个滞后期上也会呈现互相关。要找到真实的领先或滞后,请查找条形明显高于相邻滞后期的滞后期,或先对两个序列做差分以消除共同的趋势和季节性。高互相关并不证明因果关系。
输入字段和选项
字段 | 说明 |
First variable | 必填。作为领先序列进行检验的数值序列:正滞后期将其与晚相应期数的第二个变量比较。 |
Second variable | 必填。与之比较的数值序列;行数相同。 |
Number of lags | 可选,1 到 1000。每个方向上的最大平移期数。留空则使用 √n + 10。 |
Title | 图上显示的标题。默认为 Cross Correlation Function。 |

图 1 — 以 Advertising Spend 作为第一个变量、Sales 作为第二个变量,每个方向 12 个滞后期。
输出说明
- Cross Correlation Function (graph)——从 −k 到 +k 的每个滞后期一根条形,附虚线限,以及说明“Positive lag = <first variable> leads <second variable>”。
- Cross Correlation Function: <first variable>, <second variable> (table)——Lag 和 CCF。
- 通过 Download 导出 PDF。

图 2 — 广告支出与销量的互相关:最高的条形 0.93 位于滞后 0。
计算示例
某消费电子产品经销商有 60 个月的数据(2020 年 1 月至 2024 年 12 月):每月的销量和广告支出(千美元)。某些月份的支出高于其他月份。营销经理想知道销量是在当月响应,还是在一两个月后响应。分析人员选择 First variable = Advertising Spend、Second variable = Sales,Number of lags = 12。
最高的条形位于滞后 0:0.93。销量在当月随支出变动。在滞后 +1(支出先于销量一个月)处,互相关为 0.75,在滞后 −1(销量先于支出一个月)处为 0.63。因此没有迹象表明存在一两个月后才累积的效应:二者的联系在当月内最强。大多数条形高于限值(约 ±0.26 至 ±0.29);只有滞后 −10、−9、+9、+10 和 +11 落在限值之内。其值在远至滞后 −12 处仍高达 0.53,在滞后 +12 处为 0.52,这是因为两个序列共有上升趋势和年末高峰。每个滞后期上的这些高值来自共同的模式,而不是广告提前一年起作用。
就决策而言,这意味着应首先以当月支出对销量建模;增加滞后的支出项收益甚微。如果交换 First variable 和 Second variable,图形会镜像对称:此时滞后 +1 的读数为 0.63,滞后 −1 的读数为 0.75。若要在回归中检验延迟效应,可使用 Lag 工具将上月的支出构建为一列。
常见问题
如何解读互相关中的正滞后和负滞后?
正滞后 k 将第一个变量与 k 期之后的第二个变量比较,因此正滞后期上的大值表示第一个变量领先于第二个变量。负滞后期上的大值表示第二个变量领先于第一个变量。交换两个变量会使图形关于滞后 0 镜像对称。
CCF 图上的虚线限是什么意思?
限值 ±2/√(n − |lag|) 是两个无关随机序列互相关的近似 95% 限。超出该限的条形比偶然性所能产生的更大。Number of lags 留空时,工具使用 √n + 10,向下取整,且不超过 n − 1。
为什么几乎每个滞后期上的互相关都很高?
两个序列如果都有趋势或都遵循相同的季节性,即使彼此并不驱动对方,在几乎每个滞后期上也会呈现互相关。要找到真实的领先或滞后,请查找条形明显高于相邻滞后期的滞后期,或先对两个序列做差分以消除共同的趋势和季节性。高互相关并不证明因果关系。
互相关函数需要什么数据?
两个长度相同且无缺失的数值时间序列,分别作为第一个变量和第二个变量输入。在计算示例中,60 个月的广告支出和销量得到的最高条形 0.93 位于滞后 0,因此销量是在当月随支出变动,而不是在一两个月后。
