如何使用相关图估计方差？答案

【问题标题】：How to use correlogram to estimate variance?如何使用相关图估计方差？
【发布时间】：2010-12-10 22:41:56
【问题描述】：

从一本计算机模拟的书中，我得到了这两个方程。

第一个是计算correlogram，第二个是如何使用相关图估计方差。

在计算机模拟中，估计观察方差的常用方法通常不正确，因为观察通常是相关的。

我的问题是，我从我的程序中计算出来的值非常大，所以它不可能是正确的。

我认为因为当 k 变大时 r[k] 会接近 0，所以第二个方程会给出一个很大的值，所以也许方程不正确？

正如你所问，这是整个程序（用 Python 编写）：

@property
def autocorrelation(self):
    n = self.packet_sent
    mean = self.mean
    waiting_times = self.waiting_times
    R = [ sum([(x - mean) ** 2 for x in waiting_times[:-1]]) / n ]
    #print R

    for k in range(1, n / 4 + 1):
        R.append(0)
        for i in range(0, n - k):
            R[k] += (waiting_times[i] - mean) * (waiting_times[i + k] - mean)
        R[k] /=  n

    auto_cor = [r / R[0] for r in R]
    return auto_cor

@property
def standard_deviation_wrong(self):
    '''This must be a wrong method'''
    s_x = self.standard_deviation_simple
    auto_cor = self.autocorrelation
    s = 0
    n = self.packet_sent
    for k, r in enumerate(auto_cor[1:]):
        s += 1 - (k + 1.0) * r / n
        #print "%f %f %f" % (k, r, s)
    s *= 2
    s += 1
    s = ((s_x ** 2) * s) ** 0.5
    return s

【问题讨论】：

如果没有您编写的实际功能，很难分辨。
您是否重新检查过其他软件？这些公式是否描述了一个上限？您能给我们一个指向这本书的链接或其他来源吗？
我们需要查看数据。当您的方差接近零时，r[k] 将接近无穷大。

标签： math statistics simulation covariance time-series

【解决方案1】：

也可以使用函数acf() 计算相关图。

-k

【讨论】：

哦，我只想到你可以尝试使用 acf() （希望它的实现是正确的）来缩小关于你的错误原因的搜索空间。