我在三周内模拟了两个变量的行为：

var_1 <- ts(c(25.1,21.8,15.6,28.0,25.8,26.2,29.9,30.6,28.3,22.1,20.2,20.5,18.4,12.0,8.1,8.6,8.2,9.17,8.8,9.7,10.4))

var_2<-ts(c(-13.1,-7.5,0.1,-3.4,-6.0,-4.6,-0.1,4.8,4.3,-1.1,-6.5,-10.0,-9.2,-7.8,-7.6,-7.1,-11.4,-14.2,-19.6,-22.9,-23.5))

var_1 是自变量，我想看看 var_2 是否受其波动的影响。

在上图中 (A)，var_1 为黑色，var_2 为红色。只看曲线，我会说至少在第 12 天左右之前存在关系，然后会出现一些重大滞后。

我强调任何相似性的第一个想法是应用运行相关性测试（上图 B）。我使用running()了 R library中的函数gtools。

running(var_1, var_2, fun=cor, width=5)

重叠窗口的宽度为 5 天。95% 的显着性边界（红色虚线）是通过对具有相同结构的随机生成的数据集进行 999 次模拟来计算的。

第 6 天和第 12 天之间的相关性相当好，但从来没有统计显着性。有没有更合适的方法来指出任何常见的行为？

此外，我尝试应用互相关函数来检查显着滞后（R 函数ccf()）。

ccf(var_1,var_2, main="")

它显示了滞后 -3 到 0 的强相关性，并在两个方向上逐渐变细。如果我解释正确，我想我可以说 var_2 需要 0 到 3 天才能对 var_1 的任何变化做出反应。

虽然这个结果非常有趣，但我觉得它并不能很好地描述两条曲线之间的所有动态，例如仅限于第 6 天和第 12 天的良好相关性。但是，如上所示，可以做到这一点的测试没有显示任何统计学意义。所以我有点困惑，什么是描述这些数据的最合适的方法。