Poniżej przedstawiono wykresy acf i pacf miesięcznych serii danych. Drugi wykres to acf z ci.type = 'ma':
Utrzymywanie się wysokich wartości na wykresie acf prawdopodobnie reprezentuje długoterminowy pozytywny trend. Pytanie brzmi, czy odzwierciedla to sezonowość?
Próbowałem zobaczyć różne strony na ten temat, ale nie jestem pewien, czy te wątki pokazują sezonowość.
Pomóż w interpretacji wykresów ACF i PACF
Pomóż zrozumieć poniższy obraz ACF
Autokorelacja i częściowa interpretacja autokorelacji
Edycja: poniżej znajduje się wykres dla opóźnienia do 60:
Poniżej przedstawiono wykresy diff (my_series):
I upto lag 60:
Edycja: Te dane pochodzą z: Czy jest to odpowiednia metoda testowania sezonowości w danych dotyczących liczby samobójstw? Tutaj autorzy nie wzięli pod uwagę fabuły acf i pacf oryginalnych lub zróżnicowanych serii, o których warto wspomnieć (więc nie musi to być ważne). Tylko wykresy reszt acf / pacf zostały przywołane w kilku miejscach.
źródło
stl()
?Odpowiedzi:
patrzenie na wykresy w celu próby zaszufladkowania danych do odgadniętego modelu arimy działa dobrze, gdy 1: Nie ma wartości odstających / pulsów / przesunięć poziomów, trendów czasu lokalnego i brak sezonowych deterministycznych pulsów w danych ORAZ 2) gdy model arimy ma stałe parametry w czasie ORAZ 3) gdy wariancja błędu z modelu arima ma stałą wariancję w czasie. Kiedy te trzy rzeczy obowiązują .... w większości zestawów danych podręczników prezentujących łatwość modelowania arima. Kiedy 1 lub więcej z 3 nie jest przechowywanych ... w każdym prawdziwym zestawie danych, jaki kiedykolwiek widziałem. Prosta odpowiedź na twoje pytanie wymaga dostępu do oryginalnych faktów (danych historycznych), a nie dodatkowych informacji opisowych na twoich działkach. Ale to tylko moja opinia!
Zredagowane po otrzymaniu danych:
Byłem na greckich wakacjach (właściwie robiłem coś innego niż analiza szeregów czasowych) i nie byłem w stanie przeanalizować DANYCH o samobójstwie, ale w połączeniu z tym postem. Teraz jest słuszne i słuszne, że przesyłam analizę w celu śledzenia / udowodnienia na przykład moich komentarzy na temat strategii identyfikacji modeli wieloetapowych i wad prostej analizy wizualnej prostych wykresów korelacji, ponieważ „dowód jest w puddingu”.
Oto ACF oryginalnych danych PACF oryginalnej serii . AUTOBOX http://www.autobox.com/cms/ oprogramowanie, które pomogłem opracować, wykorzystuje heurystykę do identyfikacji modelu początkowego W tym przypadku ustalono, że początkowo zidentyfikowano model . Kontrola diagnostyczna reszt z tego modelu sugerowała pewne powiększenie modelu przy użyciu przesunięcia poziomu, impulsów i impulsu sezonowego. Zauważ, że przesunięcie poziomu jest wykrywane w okresie około 164 lub w przybliżeniu, co jest prawie identyczne z wcześniejszym wnioskiem o okresie 176 z okresu przedpremierowego. Wszystkie drogi nie prowadzą do Rzymu, ale niektóre mogą cię zbliżyć!. Testowanie stałości parametrów odrzucało zmiany parametrów w czasie. Po sprawdzeniu deterministycznych zmian wariancji błędu stwierdzono, że nie wykryto żadnych deterministycznych zmian wariancji błędu. . Test Box-Coxa na potrzebę transformacji mocy był pozytywny z wnioskiem, że transformacja logarytmiczna była konieczna. . Ostateczny model jest tutaj . Resztki z ostatecznego modelu wydają się być wolne od autokorelacji . Fabuła końcowych reszt modeli wydaje się być wolna od jakichkolwiek naruszeń Gaussa . Fabuła Rzeczywiste / Dopasowane / Prognozy jest tutaj z prognozami tutaj
źródło
Interpretacja ACF i PACF
Powolny zanik funkcji autokorelacji sugeruje, że dane przechodzą proces długiej pamięci. Czas trwania wstrząsów jest stosunkowo trwały i wpływa na dane przed kilkoma obserwacjami. Prawdopodobnie znajduje to odzwierciedlenie w gładkich trendach w danych.
ACF i PACF rzędu 12 wykraczają poza przedziały ufności istotności. Nie musi to jednak oznaczać obecności możliwego do zidentyfikowania wzoru sezonowego. ACF i PACF innych zamówień sezonowych (24, 36, 48, 60) mieszczą się w przedziałach ufności. Na podstawie grafiki nie można stwierdzić, czy znaczenie ACF i PACF rzędu 12 wynika z sezonowości czy przejściowych fluktuacji.
Wspomniana wcześniej trwałość ACF sugeruje, że pierwsze różnice mogą być potrzebne do unieruchomienia danych. Jednak ACF / PACF z różnej serii wyglądają podejrzanie, korelacja ujemna mogła zostać wywołana przez filtr różnicujący i może nie być w rzeczywistości odpowiednia. Zobacz ten post, aby uzyskać szczegółowe informacje.
Ustal, czy występuje sezonowość
Analiza ACF i PACF powinna zostać uzupełniona innymi narzędziami, na przykład:
stats::StructTS
i pakiet stsm ).źródło
diff
, której użyłeś.