为此,我有相当深的数学背景,但是我从未真正涉及过时间序列或统计建模。所以你不必对我很温柔:)
我正在阅读有关对商业建筑中的能源使用进行建模的论文,作者提出了这一主张:
[出现自相关的出现]是因为该模型是根据能源使用的时间序列数据开发的,该数据固有地是自相关的。时间序列数据的任何纯确定性模型都将具有自相关。如果在模型中包含[更多傅里叶系数],则会发现自相关会降低。但是,在大多数情况下,傅立叶模型的CV较低。因此,该模型对于实际用途而言可能是可以接受的,但实际上并不需要很高的精度。
0.)“时间序列数据的任何纯确定性模型将具有自相关”是什么意思?我可以模糊地理解这是什么意思,例如,如果您有0个自相关,那么您如何期望预测时间序列中的下一个点?可以肯定,这不是一个数学论点,这就是为什么它是0的原因:)
1.)我的印象是自相关基本上杀死了您的模型,但考虑到这一点,我不明白为什么会这样。那么,自相关为什么不好(或好)呢?
2.)我听到的关于自相关的解决方案是区分时间序列。如果没有尝试读取笔者的脑海,为什么一个没有,如果不可忽略的自相关存在做一个差异?
3.)不可忽略的自相关对模型有哪些限制?这是某个假设吗(即使用简单线性回归建模时的正态分布残差)?
无论如何,如果这些是基本问题,我们深表歉意,并在此先感谢您的帮助。