拖尾效应_拖尾

1、自相关和偏自相关图一般来说是判断拖尾阶尾和选择ARIMA模型的基本方法，但这种方法依然比较粗糙。

(相关资料图)

2、有些时候会出现自相关和偏自相关均截尾的现象，这是就需要用信息准则来判断了。

3、通过图片来做一个示例：AR模型：自相关系数拖尾，偏自相关系数截尾，MA模型：自相关系数截尾，偏自相关函数拖尾。

4、ARMA模型：自相关函数和偏自相关函数均拖尾。

5、根据输出结果，自相关函数图拖尾，偏自相关函数图截尾，且n从2或3开始控制在置信区间之内，因而可判定为AR(2)模型或者AR(3)模型。

6、自相关和偏自相关都是拖尾，数据到后面还有增大的情况，没有明显的收敛趋势。

7、自相关7阶拖尾（n从7开始缩至置信区间），偏自相关2阶拖尾。

8、扩展资料：自相关的后果：线性相关模型的随机误差项存在自相关的情况下，用OLS（普通最小二乘法）进行参数估计，会造成影响。

9、从高斯-马尔可夫定理的证明过程中可以看出，只有在同方差和非自相关性的条件下，OLS估计才具有最小方差性。

10、当模型存在自相关性时，OLS估计仍然是无偏估计，但不再具有有效性。

11、这与存在异方差性时的情况一样，说明存在其他的参数估计方法，其估计误差小于OLS估计的误差；也就是说，对于存在自相关性的模型，应该改用其他方法估计模型中的参数。

12、自相关不影响OLS估计量的线性和无偏性，但使之失去有效性。

13、2、自相关的系数估计量将有相当大的方差。

14、3、自相关系数的T检验不显著。

15、4、模型的预测功能失效。

本文就为大家分享到这里，希望小伙伴们会喜欢。

关键词：