時間序列為什麼具有相關性

❶ 如何理解時間序列分析中的自相關函數

在自相關圖中，自相關系數始終控制在兩倍標准差范圍內，並且在零軸附近波動，這是純隨機性非常強的平穩時間序列。有單調趨勢的一般為非平穩系列，有正弦波動規律或者周期變化規律的也是非平穩系列平穩性你也可以用時序圖來檢驗

❷ 為什麼自相關主要發生在時間序列中

因為不同時間的值之間是互相影響的，比如今年gdp是10，明年不可能變為100000，必定是在10的附近

❸ 為什麼要做自相關系數分析

做自相關系數分析目的是要判斷數據是否平穩。

而判斷數據是否平穩的目的是，要判斷數據是否有趨勢，並且要應用某些時間序列預測模型，需要先將不平穩的數據通過差分使其平穩。

首次每個人對圖形的看法不同，統計檢驗就是試圖用數字來說話，告訴你在一定的概率下平穩。

其次一個時間序列，如果均值沒有系統的變化（無趨勢）、方差沒有系統變化，且嚴格消除了周期性變化，就稱之是平穩的。

震盪是在股市中指股價在某個區間內進行反復整理、上下波動。

從定義上，平穩就是震盪，但是震盪不一定平穩。

最後預測實質上是通過對平穩序列的解讀進行預測。

❹ 時間序列中的長相關性是什麼意思

類似馬氏性，現狀和過去未來相關

❺ 如何檢驗一個時間序列的自相關性

一般來講，時間序列數據較少出現異方差現象，更多地是序列相關問題。
用stata軟體實現異方差的檢驗，最直觀的是用圖示法。作出殘差關於某一解釋變數的散點圖，具體的命令如下：
reg 被解釋變數名 解釋變數名
prrdict e, resid
graph twoway scatter e 解釋變數名
此外，還有white檢驗、G-Q檢驗和Breuch-Pagan LM檢驗。white檢驗不是stata官方的命令，需要單獨下載補丁，G-Q檢驗則需要對變數有較多的先驗認識。我重點介紹一下B-P LM檢驗在stata中的實現：
在執行完回歸指令regress以後，用 hettest 變數名 這個命令就能實現。其中變數名只包括除常數項以外的所有解釋變數名稱。你可以逐個命令進行操作，也可以用批處理的方式來實現。至於檢驗的原理不用在這里說了吧？不太明白的話建議查查書。
序列相關性的檢驗
1、D-W檢驗
reg y x1 x2 x3
estat dwatson
(y為被解釋變數 x為解釋變數，執行上述命令便可得到D-W值，不過該檢驗存在無法判斷的盲區且只能對一階自相關進行檢驗)
2、Box and Pierce's Q 檢驗
reg y x1 x2 x3
predict e, resid
wntestq e, lags(n)
（n為滯後階數，可以由少及多嘗試幾次）

❻ 什麼叫長程相關性時間序列長程相關性和長記憶性的區別

長程相關性也稱長期記憶性或持續性，即過去的狀態可對現在或將來產生影響。

❼ 時間序列的相似性和相關性有什麼區別

互相關函數就可以，不過你用的這個函數是在頻域的相關性，但貌似你在做金融分析?corrcoef函數可能更合適吧。

❽ 序列相關性帶來的嚴重結果是什麼

嚴重結果是:

當一個線性回歸模型的隨機誤差項存在自相關時，就違背了線性回歸方程的古典假定，如果仍然用普通最小二乘法（OLS）估計參數，將會產生嚴重後果。

自相關產生的後果與異方差情形類似。自相關影響OLS估計量的有效性，有效性不再成立，存在比OLS模型更為有（方差更小）效的估計方法。存在序列相關時，OLS方法下的各種檢驗失效。因為βi估計的方差不等於OLS方法下計算的方差。

相關模型（例如普通最小二乘模型）的估計通常不是方差最小的無偏估計。但依然是無偏的。正相關時，殘差均方和會嚴重低估誤差方差。回歸系數標准誤會估計過小。t檢驗和F檢驗都不準，置信區間和預測區間都不精確。

產生原因

經濟系統慣性

自相關現象大多出現在時間序列數據中，而經濟系統的經濟行為都具有時間上的慣性。例如GDP、價格、就業等經濟數據，都會隨經濟系統的周期而波動。又如，在經濟高漲時期，較高的經濟增長率會持續一段時間，而在經濟衰退期，較高的失業率也會持續一段時間，這種情況下經濟數據很可能表現為自相關。

經濟活動滯後效應

滯後效應是指某一變數對另一變數的影響不僅限於當期，而是延續若干期。由此帶來變數的自相關。例如，居民當期可支配收入的增加，不會使居民的消費水平在當期就達到應有水平，而是要經過若干期才能達到。因為人的消費觀念的改變存在一定的適應期。

數據處理

因為某些原因對數據進行了修正和內插處理，在這樣的數據序列中可能產生自相關。例如，將月度數據調整為季度數據，由於採用了加合處理，修勻了月度數據的波動，使季度數據具有平滑性，這種平滑性可能產生自相關。對缺失的歷史資料，採用特定統計方法進行內插處理，也可能使得數據前後期相關，而產生自相關。

蛛網現象

蛛網現象是微觀經濟學中的一個概念。它表示某種商品的供給量受前一期價格影響而表現出來的某種規律性，即呈蛛網狀收斂或發散於供需的均衡點。許多農產品的供給呈現為蛛網現象，供給對價格的反應要滯後一段時間，因為供給的調整需要經過一定的時間才能實現。

如果時期t的價格Pt低於上一期的價格Pt-1，農民就會減少時期t+1的生產量。

模型設定偏誤

如果模型中省略了某些重要的解釋變數或者模型函數形式不正確，都會產生系統誤差，這種誤差存在於隨機誤差項中，從而帶來了自相關。由於設定誤差造成的自相關，在經濟計量分析中經常可能發生。

❾ 兩個時間序列的相關系數能否反映它們之間的相似性

從概念上說基本可以。在應用學科里，分析相關系數，是很普遍的做法。

舉個例子：很多金融分析，就通過做兩支股票價格波動（實際上是兩個時間序列）的相關，來判斷他們之間的關系，這個做法在行業里非常普遍，比如基金經理，就要分析他的portfolio里各支股票之間的相關系數，來達到最大化收益（portfolio期望值）同時最小化風險（portfolio標准方差）的目的。

比如，同一板塊里（比如高科技板塊）的股票價格波動，經常是正相關。直接競爭行業或公司之間的股票價格波動，不少是負相關。

下面是詞條里抄的：

相關系數又稱線性相關系數.它是衡量變數之間線性相關程度的指標。樣本相關系數用r表示,總體相關系數用ρ表示,相關系數的取值范圍為[-1,1]。|r|值越大，誤差Q越小，變數之間的線性相關程度越高；|r|值越接近0，Q越大，變數之間的線性相關程度越低。

相關系數又稱皮（爾生）氏積矩相關系數，說明兩個現象之間相關關系密切程度的統計分析指標。相關系數用希臘字母γ表示，γ值的范圍在-1和+1之間。γ>0為正相關，γ<0為負相關。γ=0表示不相關；γ的絕對值越大，相關程度越高。

兩個現象之間的相關程度，一般劃分為四級：

如兩者呈正相關，r呈正值，r=1時為完全正相關；如兩者呈負相關則r呈負值，而r=-1時為完全負相關。完全正相關或負相關時，所有圖點都在直線回歸線上；點子的分布在直線回歸線上下越離散，r的絕對值越小。當例數相等時，相關系數的絕對值越接近1，相關越密切；越接近於0，相關越不密切。當r=0時，說明X和Y兩個變數之間無直線關系。通常|r|大於0.8時，認為兩個變數有很強的線性相關性。