在Python中处理滞后时间序列的自相关问题

Question

我正在尝试对一些数据进行滞后自相关分析。数据中充满了随机的空值（nans）。这些数据是一个NxN的数组，其中eke_array[i,i]表示滞后为零的情况，...eke_array[i,i+n]表示滞后为n。在某个时刻，这个分析开始返回大于1的自相关值，尤其是在滞后为40之后，但前面几个滞后的自相关值是合理的。

这是我实现的函数：

def auto_corr(eke_array):

    nlag = np.shape(eke_array)[0]
    eke_lag_0 = []
    auto_store = []
    std_store = []
    for mylag in range(0,80):
        autocorr = 0
        numvalid = 0
        norm = 0
        std = 0
        for i in range(0, 105):
            if i+mylag > 104:
                break
            lag0 = eke_array[i,i]
            lag_itt = eke_array[i,i+mylag]
            if not np.isnan(lag_itt):
                if not np.isnan(lag0):
                    numvalid += 1

                    diff = lag0 - lag_itt
                    std = std + diff**2
                    autocorr = autocorr + lag0*lag_itt
        print(numvalid, mylag,i )
        auto_store.append((autocorr/numvalid))
        std_store.append(std / numvalid)

    for k in range(105):
        eke_lag_0.append(eke_array[k,k])
    eke_lag_0 = np.asarray(eke_lag_0)
    eke_lag_0 = eke_lag_0[~np.isnan(eke_lag_0)]
    norm = np.sum(eke_lag_0 ** 2) / np.size(eke_lag_0)

    std_store = np.sqrt(np.asarray(std_store))
    auto_store = auto_store/norm
    return std_store, auto_store, norm

Answer 1

我之前的归一化方法不对。这里说的是交叉相关，所以归一化应该是两个滞后时间序列的标准差。