时间序列模型中误差项的相关性分析方法咨询

• 模型设定层面排查

  • 遗漏时序依赖项：如果底部图对应时间序列数据，大概率是模型未纳入变量的滞后项（比如AR(p)成分），未被建模的时序关联全部留在残差里，形成ρ=0.9的强正自相关；顶部图的模型要么完整捕捉了数据依赖结构，要么数据本身是无时间关联的截面数据。
  • 函数形式偏差：若真实变量关系是非线性却误用了线性模型，当自变量存在趋势性时，残差会呈现连续的正/负关联，在时间序列场景下极易出现高自相关。

• 数据特性分析

  • 数据类型差异：顶部图可能是独立采样的截面数据（比如随机抽取不同样本个体），残差自然无相关性；底部图则是时序数据且未做平稳化处理（比如非平稳的趋势性数据），原始数据的自相关直接传导到残差中。
  • 采集方式影响：如果底部图的数据是连续高频采集（比如传感器实时数据），相邻观测本身存在物理连续性（比如温度、流量的渐变），残差会继承这种关联；顶部图的采样间隔足够大，观测间相互独立。

• 统计检验验证

  • Durbin-Watson检验：对底部图数据计算DW统计量，强正自相关下DW值会接近0；顶部图的DW值接近2，对应无自相关特征。
  • ACF/PACF图：绘制残差的自相关函数，底部图在滞后1期会出现显著高峰值，且后续滞后项缓慢衰减；顶部图所有滞后项都落在置信区间内，无显著自相关。

• 模型修正策略

  • 针对强自相关的残差（底部图），可引入ARMA模型直接建模时序相关性，或用Cochrane-Orcutt迭代法修正线性模型的自相关问题。
  • 排查异方差与自相关的耦合：若残差同时存在异方差，可采用Newey-West稳健标准误，或结合GARCH类模型同时处理两种问题。

内容的提问来源于stack exchange，提问作者priya