手动计算ACF与statsmodels库ACF结果不一致问题排查

问题描述 #

我手动编写了ACF计算代码，同时使用statsmodels库的acf函数计算，得到的结果存在差异。以下是手动实现ACF的函数代码：

def acf_by_hand(x, lag):
    # Slice the relevant subseries based on the lag
    y1 = x[:(len(x)-lag)]
    y2 = x[lag:]
    # Subtract the mean of the whole series x to calculate Cov
    sum_product = np.sum((y1-np.mean(x))*(y2-np.mean(x)))
    # Normalize with var of whole series
    return sum_product / ((len(x) - lag) * np.var(x))

差异虽不显著，但我预期结果完全一致，请问原因是什么？

核心差异原因 #

• 方差估计的自由度不同：np.var(x)默认采用有偏估计（分母为样本总数n），而statsmodels的acf函数默认使用无偏方差估计（分母为n-1），这会让归一化步骤的分母出现细微偏差。
• 协方差的分母处理不同：你的手动代码用len(x)-lag作为协方差的分母（对应每阶滞后的有效样本量），但statsmodels的acf默认参数adjusted=True，会统一用样本总数n作为协方差的分母，而非n-lag，这是结果差异的主要来源。
• 浮点运算精度误差：即使逻辑完全对齐，不同实现的浮点运算顺序可能带来极微小的精度差异，但这种差异通常远小于前两点造成的影响。

修正后的对齐代码 #

如果想让手动实现和statsmodels结果完全一致，可以修改代码如下：

def acf_by_hand(x, lag):
    y1 = x[:(len(x)-lag)]
    y2 = x[lag:]
    mean_x = np.mean(x)
    # 协方差用样本总数n作为分母（对应statsmodels的adjusted=True）
    cov = np.sum((y1 - mean_x) * (y2 - mean_x)) / len(x)
    # 方差用无偏估计（分母n-1）
    var = np.var(x, ddof=1)
    return cov / var

内容的提问来源于stack exchange，提问作者arthurp36