如何获取时间序列自相关函数plot_acf原始数据 按滞后索引提取相关系数及显著性

以下为常用统计分析环境的实现方案：

Python环境实现 #

• 依赖安装（未安装时执行）：
  pip install statsmodels numpy
• 核心实现步骤：

1. 导入依赖

import numpy as np
from statsmodels.tsa.stattools import acf

2. 计算ACF系数与显著性参数
   调用acf方法时指定alpha参数获取置信区间，指定qstat=True获取Ljung-Box检验的精确显著性p值：

# 替换为你的实际时间序列数据
time_series = [你的时间序列数据]
# nlags设置需要计算的最大滞后阶数，alpha=0.05对应95%显著性水平
acf_coef, conf_int, q_stat, p_values = acf(time_series, nlags=30, alpha=0.05, qstat=True)

3. 按要求格式输出结果

# 滞后0阶的相关系数恒为1，无统计显著性意义，p值设为NaN
print(f"x[0] -> ({acf_coef[0]:.2f}, {np.nan})")
# 遍历其余滞后阶数输出
for lag in range(1, len(acf_coef)):
    print(f"x[{lag}] -> ({acf_coef[lag]:.2f}, {p_values[lag-1]:.2f})")

输出示例：

x[0] -> (1.00, nan)
x[1] -> (0.89, 0.00)
x[12] -> (0.11, 0.23)

R语言环境实现 #

直接调用acf()函数，返回结果的acf属性存储各阶相关系数，调用Box.test()函数可获取对应滞后阶数的显著性p值，逻辑与Python方案一致。

内容的提问来源于stack exchange，提问作者Kristof