3. 数据探索与可视化

在时间序列建模流程中，数据探索与可视化是连接原始数据与模型选择的关键桥梁。本章将系统讲解三种核心可视化工具——折线图、自相关图（ACF）与偏自相关图（PACF）的绘制原理、解读方法及工程实践要点。通过本章学习，你将能够从视觉上快速判断序列的平稳性、季节性、趋势成分，并为后续的模型定阶（如 ARIMA 的 p、d、q 参数）提供直接依据。

3.1 折线图：序列的“心电图”

折线图是时间序列分析最基础的图形，它将时间作为横轴、观测值作为纵轴，直观展示序列的整体走势、波动幅度和异常点。在工程实践中，折线图通常作为数据探索的第一步，帮助我们回答以下问题：

• 趋势性：序列是否存在长期上升或下降的单调趋势？
• 季节性：序列是否呈现周期性重复的波动模式？
• 平稳性：序列的均值和方差是否随时间发生明显变化？
• 异常值：是否存在远离正常范围的孤立点或突变点？

以下是一个典型的折线图绘制代码示例（Python + Matplotlib）：

import matplotlib.pyplot as plt
import pandas as pd

# 假设 df 包含时间序列数据，索引为 DatetimeIndex
plt.figure(figsize=(12, 5))
plt.plot(df.index, df['value'], color='#3498db', linewidth=1.5)
plt.title('时间序列折线图', fontsize=14, color='#2c3e50')
plt.xlabel('时间', fontsize=12)
plt.ylabel('观测值', fontsize=12)
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

3.2 自相关图（ACF）：序列的“记忆长度”

自相关函数（ACF）衡量的是时间序列与其滞后版本之间的线性相关性。ACF 图以滞后阶数（lag）为横轴、自相关系数为纵轴，并通常绘制 95% 置信区间带（蓝色虚线区域）。ACF 图的核心用途包括：

• 判断平稳性：平稳序列的 ACF 通常快速衰减到零附近；非平稳序列的 ACF 衰减缓慢或呈“拖尾”形态。
• 识别季节性：在季节性周期对应的滞后阶数上，ACF 会出现显著峰值。
• 确定 MA 阶数（q）：对于 ARIMA 模型，ACF 在 q 阶后截尾（突然降为不显著）是 MA(q) 过程的典型特征。

绘制 ACF 图的典型代码（使用 statsmodels）：

from statsmodels.graphics.tsaplots import plot_acf
import matplotlib.pyplot as plt

plot_acf(df['value'], lags=40, alpha=0.05, title='自相关图 (ACF)')
plt.tight_layout()
plt.show()

3.3 偏自相关图（PACF）：剔除中间影响的“净相关”

偏自相关函数（PACF）在计算滞后 k 阶的相关性时，剔除了中间 1 到 k-1 阶滞后的间接影响，只保留“纯”的 k 阶直接相关性。PACF 图的主要应用场景：

• 确定 AR 阶数（p）：对于 AR(p) 过程，PACF 在 p 阶后截尾。
• 区分 AR 与 MA 行为：结合 ACF 和 PACF 的截尾/拖尾模式，可以初步判断模型类型。
• 识别混合模型：当 ACF 和 PACF 均呈现拖尾时，提示可能需要 ARMA 或 ARIMA 模型。

绘制 PACF 图的典型代码：

from statsmodels.graphics.tsaplots import plot_pacf

plot_pacf(df['value'], lags=40, alpha=0.05, method='ywm', title='偏自相关图 (PACF)')
plt.tight_layout()
plt.show()

3.4 三图联动的工程解读流程

在实际工程中，我们通常将折线图、ACF 图、PACF 图并列展示，形成“三图联动”的分析框架。以下是一个标准解读流程：

1. 第一步：看折线图——判断序列是否存在明显趋势或季节性。若存在，先进行差分或季节差分，使序列平稳。
2. 第二步：看 ACF 图——观察自相关系数的衰减速度。若衰减缓慢，提示序列非平稳，需要进一步差分。
3. 第三步：看 PACF 图——结合 ACF 的截尾/拖尾模式，初步确定 AR 阶数 p 和 MA 阶数 q。
4. 第四步：交叉验证——使用信息准则（AIC/BIC）对候选模型进行定阶，避免仅依赖视觉判断。

3.5 常见陷阱与避坑指南