我正在尝试从一组多个变量中分析一对之间的互相关性，并以每年的时间间隔进行分析。目前，我在处理自相关变量方面遇到困难...
对于每个变量，我首先测试它是否是非平稳的（同时使用增强Dickey–Fuller测试和Kwiatkowski–Phillips–Schmidt–Shin测试），然后测试一阶的适当滞后和迭代差是否是自动的-相关（带有自相关函数的估计值）。
当变量是自动相关的时，我尝试使用ARIMA模型对它们进行预白化，然后运行互相关分析。
以下是一个具有3个变量的示例，该变量具有每年的时间步长（31年的数据）：
自动关联：
V1 <- c(524.800, 764.449, 557.564, 615.880, 1055.453, 1290.122, 1709.981, 2113.651, 2958.380, 2541.366, 2640.039, 2787.651, 3580.520, 3907.812, 4369.220, 5003.527, 3672.161, 4394.090, 4214.062, 3671.846, 3351.458, 3036.077, 2704.647, 1854.365, 2543.996, 2106.863, 1960.762, 2036.323, 1996.526, 1940.905, 2120.696)
不自动关联：
V2 <- c(21939,20081,23702,12908,16825,23794,17748,20251,24024,19822,15272, 12258,22539,30856,24090,23512,12588,13367,11501,9099,11411,11832,11341,10899,10049,10114,10667,9902,10639,10702,10066)
自动相关：
V3 <- c(3361213, 3493958, 5924759, 5283699, 9477393, 13528459, 17153250, 14509681, 27052581, 27653986, 25618494, 24642924, 31252566, 40446538, 33833710, 55843471, 31572981, 51685769, 48218752, 46947448, 52243131, 68991783, 66494239, 44108474, 67089912, 61832249, 65841550, 73992509, 62093282, 55447568, 71151920)
简而言之，我想看到的是：ccf（diff（V1），diff（V2））和ccf（diff（V1），diff（V3））
所以，这就是我所做的：
adf.test(V1) #pvalue > 0.05 non stationary #OK
kpss.test(V1) # pvalue < 0.05 non stationary #OK
V2和V3相同
自相关函数：
acf(diff(V1))
基本上，如果滞后在时间0之后急剧下降，则V1不是 自相关。我还更精确地看到了输出值，仅用于安全性。 V2和V3相同
现在是我的问题了： 为了获得ccf（diff（V1），diff（V2）），我知道diff（V1）是自动相关的，我尝试：
V1ts <- ts(V1,frequency=1) #convert to a time series
我认为频率= 1是因为我们每年只有一个值。
V2ts <- ts(V2,frequency=1) #convert to a time series
library(fpp) #load forecasting package
mod1 <- auto.arima(V1ts)
mod2 <- auto.arima(V1ts,D=0)
mod3 <- auto.arima(V1ts,D=1)
我也尝试将D强制设置为0或1。
library(TSA)
print(prewhiten(V1ts, V2ts, mod1))
使用mod2或mod3时，我得到相同的结果...
比较标准ccf时不处理自相关...
ccf1 <- ccf(diff(V1ts),diff(V2ts))
ccf1
我得到完全相同的结果...
总而言之，我肯定做错了什么，因为无论是否进行了预增白，我都能获得完全相同的结果……
简而言之，有人可以帮助我分析一个自相关变量V1与另一个非自相关变量V2的互相关吗？在两个变量都是自动相关的情况下（例如V1和V3之间），我是否必须应用两个ARIMA模型并同时对其进行预白化？在此先多谢您，我有点困惑...