如果我正确理解您的评论，那么您已经过分区分了，这在各种指南中都有所讨论。

编辑：根据定义和设计，您的原始数字系列 ( rnorm(5000, 0, 40)) 在相邻数字或每个第二个数字或每个第三个数字之间没有关系。它是“随机的”（伪随机，但我们这些凡人无法与真正的随机区分开来）。所以你计算的 ACF 是随机垃圾。

但是差分采用该系列数字并创建一个新系列，该系列以特定的确定性方式相关：相邻值的减法。考虑您的初始随机数系列：$(n_1, n_2, n_3, ...)$, 然后对其进行差分得到$(d_1, d_2, ...)$. 两个都$d_1$和$d_2$计算使用$n_2$，所以您现在已经在滞后 1 处引入了自相关。

现在看看滞后 1 会发生什么。$n_2$用于计算$d_1$和$d_2$，一次减去一次，一次减去一次。[Begin I'm-way-in-over-my-head part.] 为了$d_1$和$d_2$要有相同的标志，我们需要有$n_1 < n_2$和$n_2 < n_3$（反之亦然），这比替代方案更不可能，因此我们预计自相关将为负。[结束我的头部分，大口喘气。]

有点晚了......但是，回顾一下斯卢茨基效应，其中 iid 值的线性（加权）组合导致一系列具有自相关结构的序列。这就是为什么突然假设任何过滤器纠察队都是危险的。X11-ARIMA 假设一个 16 个周期的等加权平均值（您可以将 16 更改为另一个整数）以平滑序列，而不知道假设过滤器的影响。分析万岁！