Czy funkcja autokorelacji ma jakieś znaczenie w niestacjonarnych szeregach czasowych?
Szacuje się, że szeregi czasowe są nieruchome, zanim do celów modelowania Boxa i Jenkinsa zostanie użyta autokorelacja.
Czy funkcja autokorelacji ma jakieś znaczenie w niestacjonarnych szeregach czasowych?
Szacuje się, że szeregi czasowe są nieruchome, zanim do celów modelowania Boxa i Jenkinsa zostanie użyta autokorelacja.
Odpowiedzi:
@whuber dał miłą odpowiedź. Chciałbym tylko dodać, że można bardzo łatwo to zasymulować w R:
Co kończy się mniej więcej tak:
Dzięki temu można łatwo zauważyć, że funkcja ACF przechodzi powoli do zera w przypadku serii niestacjonarnych. Tempo spadku jest pewną miarą trendu, jak wspomniał @whuber, chociaż nie jest to najlepsze narzędzie do tego rodzaju analizy.
źródło
W swojej alternatywnej formie, jako wariogram, tempo, w którym funkcja rośnie z dużymi opóźnieniami, jest mniej więcej kwadratem średniej tendencji. Czasami może to być przydatny sposób na podjęcie decyzji, czy odpowiednio usunąłeś jakiekolwiek trendy.
Możesz myśleć o wariogramie jako o kwadratowej korelacji pomnożonej przez odpowiednią wariancję i odwróconej do góry nogami.
(Ten wynik jest bezpośrednią konsekwencją analizy przedstawionej na stronie Dlaczego uwzględnianie szerokości i długości geograficznej na koncie GAM dla autokorelacji przestrzennej ? , która pokazuje, w jaki sposób wariogram zawiera informacje o oczekiwanej kwadratowej różnicy między wartościami w różnych lokalizacjach.)
źródło
Jednym z pomysłów może być unieruchomienie szeregu czasowego, a następnie wykonanie na nim ACF. Jednym ze sposobów unieruchomienia szeregów czasowych jest obliczenie różnic między kolejnymi obserwacjami. ACF zróżnicowanego sygnału nie powinien cierpieć z powodu trendów lub sezonowości sygnału.
źródło