全局空间自相关与局部空间自相关的区别
全局自相关和局部自相关都是用于分析时间序列数据中变量自身的相关性。然而，两者之间有一些关键的区别。
1. 定义范围：全局自相关是对整个时间序列数据进行分析，而局部自相关是仅分析时间序列数据中某个特定窗口的相关性。
2. 分析目标：全局自相关主要用于检测时间序列数据的长期趋势和季节性模式，以及预测未来的趋势。而局部自相关主要用于检测时间序列数据中短期的相关性和周期性。
3. 时间窗口：全局自相关对整个时间序列进行分析，没有限制时间窗口的大小。而局部自相关限定了一个特定的时间窗口，只分析该窗口内的数据。
4. 相关系数计算：全局自相关使用自相关函数（ACF）来计算变量与其自身的相关性。而局部自相关使用局部自相关函数（PACF）来计算变量与其自身的相关性。综上所述，全局自相关和局部自相关在分析目标、范围和计算方法上存在明显区别。了解这些差异将帮助我们选择适当的分析方法和工具来研究时间序列数据中的相关性。
定义不同：全局自相关和局部自相关的区别是定义不同，
如果随机误差项的各期望值之间存在着相关关系，这时，称随机误差项之间存在自相关（autocorrelation）或序列相关。
自相关是指信号在1个时刻的瞬时值与另1个时刻的瞬时值之间的依赖关系,是对1个随机信号的时域描述. w）的随机域是相关的系统内某给定时空点的参数值同其它时空点的参数值是相关的这种情况下这个随机域称为自相关.
全局自相关是指一个时间序列在不同滞后点上的相关性，是对整个时间序列进行计算的。而局部自相关是指一个时间序列在给定滞后点附近的相关性，是在某个特定滞后点上进行计算的。换句话说，全局自相关反映的是整个时间序列的相关程度，而局部自相关更关注特定滞后点附近的相关程度。
全局自相关是指在整个数据集上计算的自相关性，它可以揭示整体数据的趋势和周期性。而局部自相关是指在特定时间窗口内计算的自相关性，它可以揭示数据的局部变化和短期趋势。全局自相关可以用于长期预测和趋势分析，而局部自相关可以用于短期预测和波动性分析。两者的计算方法和应用场景不同，但都可以帮助我们理解数据的相关性和变化模式。
全局自相关是指全方位和自己相关的事物。局部自相关是指一部分与自己相关的事物。
