A Regression-Based Framework for the ACF, PACF, Durbin-Levinson Recursion, and One-Step-Ahead Prediction
以回归统一理解自相关、偏自相关、Durbin–Levinson 递推与一步预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论平稳时间序列、ARMA 识别和最优线性一步预测，支持时间序列与预测分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
以回归统一理解自相关、偏自相关、Durbin–Levinson 递推与一步预测
- 研究问题
- 如何从学生熟悉的线性回归出发，统一理解弱平稳序列的自相关、偏自相关、递推系数和最优线性一步预测之间的联系？
- 方法与思路
- 作者将自相关解释为简单回归系数、偏自相关解释为新增滞后项系数，利用偏回归推导递推更新，并分析 MA(1) 与 AR(1) 示例。
- 材料陈述的贡献
- 摘要提供从回归到时间序列识别、递推计算和预测的统一教学路径，解释自相关与偏自相关的截尾及拖尾模式如何形成。
- 阅读关注点
- 应核对总体线性投影与样本回归的区别、平稳性及回归可定义条件，以及最优线性预测与一般条件期望预测的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要定位为教学框架，未报告教学效果检验，也未声称提出新的预测性能改进。
原文摘要
The autocorrelation function (ACF) and partial autocorrelation function (PACF) are foundational tools for identifying autoregressive moving-average (ARMA) models, yet they are often introduced in ways that appear disconnected from the regression concepts students already know. This paper develops a unified, regression-based instructional framework for the ACF, PACF, Durbin--Levinson recursion, and one-step-ahead prediction for weakly stationary time series. We show that the ACF is the coefficient from a simple linear regression of a mean-zero stationary process on one of its lagged values, while the PACF is both the coefficient of the newest predictor in an expanding multiple regression and the corresponding partial correlation. Using partial regression, we derive the Durbin-Levinson updates for the newly added coefficient, the existing regression coefficients, and the prediction-error variance from familiar ordinary least-squares principles. Worked MA(1) and AR(1) examples show how the characteristic cutoff and tailing-off patterns of the ACF and PACF emerge naturally from this regression perspective. The same recursive regression coefficients also determine the optimal linear one-step-ahead predictor. The resulting framework provides a coherent instructional pathway from regression to model identification, recursive estimation, and prediction and suggests practical ways to connect introductory regression and time series courses.