概念卡：自相关 Autocorrelation

综合实践 · 01_专业概念地图/概念卡_自相关.md

概念卡：自相关 Autocorrelation

一句话定义

自相关是时间序列当前值与自身过去值之间的相关性。

它解决什么问题

它帮助判断时间序列是否存在记忆、滞后影响或周期结构。

典型使用场景

• 时间序列建模。
• 检查回归残差是否独立。
• 判断是否适合 ARIMA。

需要知道的关键词

• Lag
• ACF
• PACF
• Time Dependence
• Residual Autocorrelation

和导师方向的关系

复杂系统和大数据监测中，很多变量随时间演化，自相关是识别时间依赖的基础。

交流时可以怎么说

时间序列样本可能不是独立的，因此需要检查自相关。

如果模型残差仍有自相关，说明模型可能没有捕捉到时间结构。

可以追问的问题

• 哪些滞后阶数显著？
• 自相关来自趋势、季节性还是真实依赖？
• 残差是否还存在自相关？

给 AI 的提示词

请解释时间序列中的自相关。要求说明 lag、ACF、PACF、残差自相关和 Python 可视化。

我的理解边界

• 已理解：自相关是和过去自己的相关。
• 还不确定：PACF 的解释。
• 下次需要补：ACF/PACF 图。