序列相关：重复月份不等于独立证据

连续十二个月的观测，不自动等于十二次独立确认。相邻数据共同变化时，均值不确定性可能高于独立行公式。不能只因面板看起来很长，就把它解释为很强的重复证据。

NIST自相关资料说明序列与滞后值的相关，并指出等间隔前提。下面有效样本量只是特定平稳模型演示，不是所有经营序列的通用修正。

定义序列和估计目标

说明目标是平均水平、增长率、残差还是其他统计量，保留间隔、缺期处理、样本边界及变换。同一公司按月观察，与许多无关公司各观察一次，结构不同。

滞后k自相关描述相隔k期的关联。趋势或季节性可以产生很强原始相关，却不一定是稳定平稳关系。不要自动去掉它们，应先判断是目标的一部分，还是需要明确建模。

若序列平稳，边际方差为sigma平方，滞后相关为rho[k]，n期均值方差等于sigma平方÷n再乘A，其中A＝1＋2倍各项(1−k÷n)rho[k]之和，k从1到n−1。定义有效n＝n÷A，只是该模型下均值方差的等价数量，不是实际独立月份数。

假设虚构等间隔平稳AR(1)序列，rho[k]＝0.6的k次方，记录120个月。长序列近似方差乘数为(1＋0.6)÷(1−0.6)＝4，对应有效数量约30。

用有限样本求和，A约3.9375，有效数量约30.48。相对使用同一个已知边际方差的独立公式，标准误乘根号3.9375，约1.9843。在这些假设下，把120个月全当独立，会高估精度。

例子直接给定相关结构，没有从真实数据估计0.6。实际相关参数也有不确定性，短历史尤其明显。曲线看起来持续，不足以提供精确有效数量。

检查各滞后、结构断点和期间定义。季度值重复到月度行，不会创造新的月度信息。滚动指标也共享底层观察。这些构造原因应直接标记，不能全部藏进拟合持续性参数。

模型推断应看所选均值结构下相关残差，而不只原序列。允许序列相关的方法各有假设和参数。把所有公式的n都换成某个有效数量，不是回归、尾部分位数或事件研究的万能处理。

统计依赖与复制来源依赖也不同。两份独立文档可能报告同一持续性经济序列，一份文档也可能含许多序列相关观测。增加来源文件不能修复时间序列标准误。

保留原行数、相关假设、方差方法及合理依赖情景敏感性。不要为了想要的有效n删除月份。独立信息有限时，更宽区间可能正是正确结果。

日历、聚合、结构或频率变化后复查。最终说明修正针对哪一个统计量，不能把持续观测变成重复因果确认或交易预测。

缺期也不能简单压缩时间轴。例如一月与四月之间缺两个月，删空后把它们当一阶相邻，会改变滞后含义。应保留真实日期，说明模型如何处理不规则间隔或缺失；补齐表格行也不等于观察到那些月份的真实数值。

不更新的前值也会制造持续性。来源沿用旧值时，应标作结转观察，不能当成新的独立测量。提取更新更及时，可能改变估计自相关，而经营过程本身并未改变。因此来源刷新政策与经济依赖应分开登记，避免把数据工程改善写成业务风险下降。

不是。它依赖估计量与依赖模型，适合均值的数量未必适合其他统计量。

不能。趋势、季节性、重叠构造和断点也会造成相关，应先核模型。