วิธีตีความแปลง acf และ pacf เหล่านี้

ต่อไปนี้เป็นพล็อต acf และ pacf ของชุดข้อมูลรายเดือน เนื้อเรื่องที่สองคือ acf with ci.type = 'ma':

การคงอยู่ของค่าสูงในพล็อต acf อาจแสดงแนวโน้มเชิงบวกระยะยาว คำถามคือถ้าสิ่งนี้แสดงถึงความผันแปรตามฤดูกาลหรือไม่

ฉันพยายามดูไซต์ต่าง ๆ ในหัวข้อนี้ แต่ฉันไม่แน่ใจว่าแผนการเหล่านี้แสดงฤดูกาลหรือไม่

การวิเคราะห์พล็อต ACF และ PACF

ช่วยตีความ ACF- และ PACF-plots

ช่วยทำความเข้าใจภาพต่อไปนี้ของ ACF

Autocorrelation และการตีความ autocorrelation บางส่วน

แก้ไข: ต่อไปนี้เป็นกราฟสำหรับความล่าช้าสูงสุด 60:

ต่อไปนี้เป็นแผนของ diff (my_series):

และไม่เกิน 60:

แก้ไข: ข้อมูลนี้มาจาก: นี่เป็นวิธีที่เหมาะสมในการทดสอบผลกระทบตามฤดูกาลในข้อมูลการนับการฆ่าตัวตายหรือไม่ ที่นี่ผู้ให้ข้อมูลไม่ได้พิจารณาพล็อต acf และ pacf ของซีรีย์ดั้งเดิมหรือต่างกันที่ควรค่าแก่การกล่าวถึง (ดังนั้นจะต้องไม่สำคัญ) มีการอ้างถึงเฉพาะส่วนเหลือของ acf / pacf ในสองแห่ง

การดูพล็อตเพื่อพยายามที่จะขุดข้อมูลลงในโมเดลอาริมาที่เดาได้นั้นจะทำงานได้ดีเมื่อ 1: ไม่มีการเปลี่ยนแปลงของค่าเบี่ยงเบน / ระดับ / พัลส์, แนวโน้มเวลาท้องถิ่นและไม่มีพัลส์แบบกำหนดเวลาตามฤดูกาลในข้อมูลและ 2) พารามิเตอร์คงที่ตลอดเวลาและ 3) เมื่อความแปรปรวนข้อผิดพลาดจากแบบจำลอง Arima มีความแปรปรวนคงที่ตลอดเวลา เมื่อสามสิ่งนี้ถือเป็น .... ในชุดข้อมูลตำราเรียนส่วนใหญ่นำเสนอความง่ายในการสร้างแบบจำลองของ arima เมื่อใดที่ 1 หรือมากกว่า 3 ไม่ถือ ... ในชุดข้อมูลโลกแห่งความจริงที่ฉันเคยเห็น คำตอบที่ง่ายสำหรับคำถามของคุณต้องการการเข้าถึงข้อเท็จจริงดั้งเดิม (ข้อมูลประวัติ) ไม่ใช่ข้อมูลเชิงอธิบายที่สองในแปลงของคุณ แต่นี่เป็นเพียงความคิดเห็นของฉัน!

แก้ไขหลังจากได้รับข้อมูล:

ฉันอยู่ในช่วงพักร้อนแบบกรีก (จริง ๆ แล้วทำสิ่งอื่นนอกเหนือจากการวิเคราะห์อนุกรมเวลา) และไม่สามารถวิเคราะห์ข้อมูลการฆ่าตัวตาย แต่ใช้ร่วมกับโพสต์นี้ ตอนนี้มันเหมาะสมและถูกต้องที่ฉันส่งการวิเคราะห์เพื่อติดตาม / พิสูจน์โดยตัวอย่างความคิดเห็นของฉันเกี่ยวกับกลยุทธ์การระบุตัวแบบหลายขั้นตอนและความล้มเหลวของการวิเคราะห์ภาพอย่างง่าย ๆ ของแผนการสหสัมพันธ์แบบง่าย ๆ

นี่คือ ACF ของข้อมูลเดิมPACF ของชุดเดิม Autobox http://www.autobox.com/cms/ชิ้นส่วนของซอฟต์แวร์ที่ผมได้ช่วยให้การใช้งานที่พัฒนาแล้วการวิเคราะห์พฤติกรรมการระบุรูปแบบเริ่มต้นในกรณีนี้รูปแบบการระบุในขั้นต้นพบว่า การตรวจสอบการวินิจฉัยของส่วนที่เหลือจากรุ่นนี้ได้แนะนำการเพิ่มแบบจำลองบางอย่างโดยใช้การเลื่อนระดับพัลส์และพัลส์ตามฤดูกาลโปรดทราบว่าการตรวจจับระดับการเปลี่ยนระดับจะอยู่ที่ประมาณ 164 หรือใกล้เคียงกับข้อสรุปก่อนหน้านี้ ถนนทุกสายไม่นำไปสู่กรุงโรม แต่ถนนบางสายสามารถพาคุณเข้าใกล้!. การทดสอบความมั่นคงของพารามิเตอร์ที่ปฏิเสธการเปลี่ยนแปลงพารามิเตอร์เมื่อเวลาผ่านไป การตรวจสอบการเปลี่ยนแปลงที่กำหนดไว้ในความแปรปรวนข้อผิดพลาดสรุปว่าไม่มีการตรวจพบการเปลี่ยนแปลงที่กำหนดขึ้นในความแปรปรวนข้อผิดพลาด . การทดสอบ Box-Cox สำหรับความต้องการการแปลงพลังงานเป็นไปในเชิงบวกโดยมีข้อสรุปว่าจำเป็นต้องมีการแปลงลอการิทึม . รุ่นสุดท้ายอยู่ที่นี่ เหลือจากรุ่นสุดท้ายปรากฏจะเป็นอิสระจากอัตใด ๆ พล็อตของรุ่นสุดท้ายที่เหลือปรากฏจะเป็นอิสระจากการละเมิดเสียนใด ๆ เนื้อเรื่องของจริง / พอดี / การคาดการณ์อยู่ที่นี่พร้อมการคาดการณ์ที่นี่

การตีความ ACF และ PACF

การสลายตัวช้าของฟังก์ชั่น autocorrelation แสดงให้เห็นว่าข้อมูลเป็นไปตามกระบวนการของหน่วยความจำระยะยาว ระยะเวลาของการกระแทกค่อนข้างถาวรและมีอิทธิพลต่อข้อมูลการสังเกตหลาย ๆ ข้างหน้า นี่อาจเป็นผลมาจากรูปแบบแนวโน้มที่ราบรื่นในข้อมูล

ACF และ PACF ของ 12 คำสั่งอยู่เหนือระดับความเชื่อมั่นที่สำคัญ อย่างไรก็ตามสิ่งนี้ไม่ได้หมายความว่ามีรูปแบบตามฤดูกาลที่ระบุได้ ACF และ PACF ของคำสั่งซื้อตามฤดูกาลอื่น (24, 36, 48, 60) อยู่ในช่วงความเชื่อมั่น จากภาพกราฟิกมันเป็นไปไม่ได้ที่จะสรุปว่าความสำคัญของ ACF และ PACF ของคำสั่ง 12 นั้นเกิดจากความผันผวนตามฤดูกาลหรือการเปลี่ยนแปลงชั่วคราวหรือไม่

การคงอยู่ของ ACF ที่กล่าวถึงก่อนหน้านี้ชี้ให้เห็นว่าอาจต้องใช้ความแตกต่างครั้งแรกในการเรนเดอร์เครื่องเขียนข้อมูล อย่างไรก็ตาม ACF / PACF ของซีรีส์ที่แตกต่างกันนั้นดูน่าสงสัยความสัมพันธ์เชิงลบอาจเกิดขึ้นจากตัวกรองที่แตกต่างกันและอาจไม่เหมาะสมจริง ๆ ดูโพสต์นี้สำหรับรายละเอียดบางอย่าง

ตรวจสอบว่ามีฤดูกาลตามฤดูกาลหรือไม่

การวิเคราะห์ ACF และ PACF ควรเสริมด้วยเครื่องมืออื่น ๆ เช่น:

• สเปกตรัม (มุมมอง ACF ในโดเมนความถี่) อาจเปิดเผยช่วงเวลาของรอบที่อธิบายความแปรปรวนส่วนใหญ่ในข้อมูล
• ติดตั้งโมเดลอนุกรมเวลาโครงสร้างพื้นฐานและตรวจสอบว่าความแปรปรวนขององค์ประกอบตามฤดูกาลนั้นใกล้เคียงกับศูนย์หรือไม่เทียบกับพารามิเตอร์อื่น ๆ (ในฟังก์ชัน R stats::StructTSและแพ็คเกจstsm )
• การทดสอบสำหรับฤดูกาลขึ้นอยู่กับหุ่นตามฤดูกาลตามฤดูกาลหรือรอบที่ระบุไว้และนำมาใช้ในX-12
• การตรวจสอบการปรากฏตัวของพัลส์และการเปลี่ยนแปลงระดับดังกล่าวโดย IrishStat ยังเป็นความจำเป็นเนื่องจากพวกเขาสามารถบิดเบือนข้อสรุปจากวิธีการก่อนหน้า (ใน R แพคเกจtsoutliersสามารถเป็นประโยชน์เพื่อการนี้)