要理解时间序列互相关分析（Cross-Correlation Analysis, CCF），需先明确其与“自相关”的核心区别：自相关（ACF/PACF）分析单个时间序列内部的关联（如今天的温度与昨天的温度），而互相关分析两个不同时间序列之间的线性关联（如今天的温度与今天的用电量），尤其关注“滞后关系”（如今天的广告投入与下周的销售额）。
一、CCF的核心定义与本质
1. 定义：衡量两个序列的线性关联与滞后关系
对于两个平稳时间序列XtX_tXt（如广告投入）和YtY_tYt（如销售额），滞后k阶的互相关系数（Cross-Correlation Coefficient, CCF） 衡量的是：
XXX的第ttt期观测值（XtX_tXt）与YYY的第t+kt+kt+k期观测值（Yt+kY_{t+k}Yt+k）之间的标准化线性相关程度，记为ρXY(k)\rho_{XY}(k)ρXY(k)。
- 滞后阶数k的含义：这是CCF的核心，需重点区分正负：
- k=0k=0k=0：同期相关，即XtX_tXt与YtY_tYt（同一时期的两个序列）的关联（如当天温度与当天用电量）。
- k>0k>0k>0：X滞后Y（或Y超前X），即XtX_tXt与Yt+kY_{t+k}Yt+k（用X的当期值关联Y的未来k期值），例如k=1k=1k=1时，XtX_tXt与Yt+1Y_{t+1}Yt+1（今天的广告投入与明天的销售额）。
- k<0k<0k<0：X超前Y（或Y滞后X），即XtX_tXt与Yt+kY_{t+k}Yt+k（用X的当期值关联Y的过去|k|期值），例如k=−1k=-1k=−1时，XtX_tXt与Yt−1Y_{t-1}Yt−1（今天的客流量与昨天的拥堵指数）。
2. 为什么需要CCF？——解决“两个序列如何关联”的核心问题
在实际场景中，我们常需回答：
- 温度（X）和用电量（Y）是否相关？相关强度如何？
- 广告投入（X）是影响当期销售额（Y），还是滞后1周/2周？
- 客流量（X）和拥堵指数（Y），是前者先变还是后者先变？
CCF通过量化“不同滞后阶数的相关系数”，直接回答上述问题，是时间序列联动分析的基础工具。
二、CCF的原理：计算与关键前提
1. 计算逻辑：标准化消除量纲影响
互相关系数的本质是“协方差的标准化”——由于两个序列可能具有不同单位（如X是“万元”，Y是“件”），直接用协方差无法比较相关强度，需除以两者的标准差，将结果约束在**[-1, 1]** 之间（与Pearson相关系数一致）。
（1）总体互相关系数（理论值）
若XtX_tXt和YtY_tYt为平稳序列，且满足：
- 均值：μX=E(Xt)\mu_X = E(X_t)μX=E(Xt)，μY=E(Yt)\mu_Y = E(Y_t)μY=E(Yt)（常数，平稳性要求）
- 方差：σX2=Var(Xt)\sigma_X^2 = Var(X_t)σX2=Var(Xt)，σY2=Var(Yt)\sigma_Y^2 = Var(Y_t)σY2=Var(Yt)（常数，平稳性要求）
则滞后k阶的总体互相关系数为：
ρXY(k)=Cov(Xt,Yt+
531
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
