有关arima过差分的一段英文，请大家帮忙解释一下

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

最近在用arima建模，对过差分的判断据我说知有两种方法：第一，若差分后序列的方差反而变大，说明存在过差分；第二通过逆自相关函数图判断。为此sas9.1.3帮助文件里有这么一段话：
“The sample inverse autocorrelation function (SIACF) plays much the same role in ARIMA modeling as the sample partial autocorrelation function (SPACF) but generally indicates subset and seasonal autoregressive models better than the SPACF.
        Additionally, the SIACF may be useful for detecting over-differencing. If the data come from a nonstationary or nearly nonstationary model, the SIACF has the characteristics of a noninvertible moving average. Likewise, if the data come from a model with a noninvertible moving average, then the SIACF has nonstationary characteristics and, therefore, decays slowly. In particular, if the data have been over-differenced, the SIACF looks like a SACF from a nonstationary process.

      看得我似懂非懂，有哪位能给翻译或者解释一下，劳驾！！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：ARIMA 段英文 Rim ima 过差分 SAS ARIMA 过差分

顶起来！呵呵

在一般情况下，除了表示子集及季节性的自回归模型时，逆自相关函数（SIACF）好于偏自相关函数（SPACF）之外，在ARIMA模型中样本逆自相关函数（SIACF）与样本偏自相关函数（SPACF）有着更多相同的作用。

另外，SIACF可用于检测过差分。如果数据来自一个非平稳或接近非平稳模型，SIACF则有一个不可逆的移动平均的特点。同样，如果数据来自一个不可逆的移动平均模型，那么SIACF也有非平稳的特点，并因此衰变缓慢。特别是，如果数据已经过差分，SIACF看起来像来自一个非平稳过程的偏自相关函数。

谢谢“坐看云起时”的热心帮助！
最后一句，如果数据已被过差分，那么样本的逆自相关函数图（SIACF）看上去和非平稳过程的样本自相关函数（SACF）图类似。这句该如何理解，是否为：如果序列数据过差分，SIACF图的形状变现为衰减的很慢啊？？

我认为可以这么理解，因为在自回归移动平均模型中，自相关函数和逆自相关函数实际上就是一种对偶关系。