比较随机游走（RW）与自回归（AR）模型
随机游走（RW）模型是自回归（AR）模型的一个特例，其斜率参数等于 1。回顾前几章，RW 模型不是平稳的，并且呈现非常强的持续性。其样本自协方差函数（ACF）衰减到 0 的速度也非常慢，意味着过去的取值会对当前取值产生长久影响。
平稳的 AR 模型的斜率参数介于 -1 与 1 之间。当斜率参数更接近 1 时，AR 模型表现出更高的持续性，但该过程会相对较快地回归其均值。其样本 ACF 也会以较快的（几何）速度衰减到 0，说明很久之前的取值对该过程的未来取值影响很小。
在本练习中，您将通过从 AR 模型中进行更多模拟并作图，来探索这些特性。
本练习是课程的一部分
R 中的时间序列分析
练习说明
- 使用
arima.sim()从斜率为0.9的 AR 模型模拟 200 个观测值。将结果保存到x。 - 使用
ts.plot()绘制x，并使用acf()查看其样本 ACF。 - 对斜率为
0.98的 AR 模型执行相同操作。将结果保存到y。 - 对 RW 模型也执行相同操作（保存为
z），并比较这三个模型生成的时间序列及其样本 ACF。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Simulate and plot AR model with slope 0.9
x <- arima.sim(model = ___, n = ___)
ts.plot(___)
acf(___)
# Simulate and plot AR model with slope 0.98
y <-
ts.plot(___)
acf(___)
# Simulate and plot RW model
z <-
ts.plot(___)
acf(___)