实话说，这两张图都不是太干净（就是lag不好判断，acf 的图勉强可以算是lag = 2吧？pacf的图不好判断）。。建议做一个eacf 的表辅助判断模型，或者是用information criteria辅助判断。
就是虚线的大小。acf的全称是Autocorrelation function，即自相关函数。但这个函数不仅可以计算自相关，也可以计算自协方差。具体代码如下：x acf(x)#计算该向量的自相关函数
autocorr autocorr$acf #autocorrelation
#输出如下
# [,1]
# [1,] 1.00000000
# [2,] 0.70000000
# [3,] 0.41212121
# [4,] 0.14848485
# [5,] -0.07878788
# [6,] -0.25757576
# [7,] -0.37575758
# [8,] -0.42121212
# [9,] -0.38181818
# [10,] -0.24545455
autocov autocov$acf #autocorrelation
# 输出如下
# [,1]
# [1,] 1.00000000
# [2,] 0.70000000
# [3,] 0.41212121
# [4,] 0.14848485
# [5,] -0.07878788
# [6,] -0.25757576
# [7,] -0.37575758
# [8,] -0.42121212
# [9,] -0.38181818
# [10,] -0.24545455自相关含义解释：自己 与 自己的过去 是否具有线性相关。范围是-1~1。绝对值越靠近1越相关，绝对值越靠近0越不相关。当纵线落入虚线以内，则认为该数值与0无显著差异，既可认为不相关。注意事项：如果直接带入自相关公式，会发现系数与R求的不一样因为R语言中的acf函数 并不是直接计算出自相关系数而是计算出不同滞后阶数的样本自相关系数、样本自协方差系数。 具体公式如下:样本自协方差系数公式： 其中对于 ，有 。n是样本总数，h是滞后阶数， 是样本平均数。【注意，很多网上的样本自协方差公式都是错误的，这个是经过计算验证的】样本自相关系数公式：深层次用法：在时间序列分析过程中一种分析手段是：根据 自相关系数图 和 偏自相关系数图 来猜测时间序列可能属于哪一种时间序列模型。【没有错，统计理论是严谨的，但一些统计方法却有一定的主观性】故需要分析人员大量浏览各种可能的已知时间序列模型，并熟悉他们的自相关系数图（acf函数）、偏自相关图（pacf函数）。并结合扩展的自相关函数（eacf函数，Tsay,Tia0,1984 W.S.Chan.1999 ）实现模型定阶。已经被人熟知的基本规律有：“拖”指代拖尾eacf图的解读方式当然还有很多种其他判断模型的方法，也会利用自相关函数与偏自相关函数
