이 acf 및 pacf 플롯을 해석하는 방법

다음은 월별 데이터 계열의 acf 및 pacf 플롯입니다. 두 번째 줄거리는 ci.type = 'ma'인 acf입니다.

acf 플롯에서 높은 값의 지속성은 장기간 긍정적 인 경향을 나타냅니다. 이것이 계절 변동을 나타내는 지에 대한 질문입니다.

이 주제에서 다른 사이트를 보려고했지만 이러한 도표가 계절성을 나타내는 지 확실하지 않습니다.

ACF 및 PACF 플롯 분석

ACF- 및 PACF- 플롯 해석에 도움

다음 ACF 그림 이해에 도움

자기 상관 및 부분적 자기 상관 해석

편집 : 다음은 최대 60까지의 지연에 대한 그래프입니다.

다음은 diff (my_series)의 도표입니다.

그리고 지연 60까지 :

편집 :이 데이터는 다음과 같습니다 : 이것은 자살 횟수 데이터의 계절 효과를 테스트하기에 적합한 방법입니까? 여기서 기고자들은 언급 할 가치가있는 원본 또는 차이가있는 계열의 acf 및 pacf 플롯을 고려하지 않았으므로 중요하지 않아야합니다. 잔차의 acf / pacf 플롯 만이 두 곳에서 언급되었습니다.

추측 된 arima 모델로 데이터를 비둘기로 뚫기 위해 플롯을 보는 것은 다음과 같은 경우에 효과적입니다 .1 : 특이 치 / 펄스 / 레벨 이동, 로컬 시간 추세 및 계절적 결정 성 펄스가없는 경우 및 2) arima 모델이있을 때 시간에 따른 상수 매개 변수 및 3) arima 모델의 오차 분산이 시간에 따라 일정한 분산을 갖는 경우. 이 세 가지가 언제 대부분의 교과서 데이터 세트에서 유지 되는가하면 arima 모델링이 쉬워집니다. 내가 본 모든 실제 데이터 세트에서 3 개 중 1 개 이상을 보유하지 않으면 .... 귀하의 질문에 대한 간단한 대답은 도표의 2 차 설명 정보가 아닌 원래 사실 (이력 데이터)에 액세스해야합니다. 그러나 이것은 단지 내 의견입니다!

데이터 수신 후 편집 :

나는 그리스 휴가 (실제로는 시계열 분석 이외의 일을하고 있음)에 있었고 SUICIDE DATA를 분석 할 수 없지만이 게시물과 관련하여 분석했습니다. 이제 다단계 모델 식별 전략에 대한 나의 의견과 간단한 상관 관계 플롯의 단순한 시각적 분석의 실패가 "푸딩에 있음"과 같은 분석을 제출하는 것이 적합하고 옳습니다.

원본 데이터 의 ACF는 다음과 같습니다 . 원본 시리즈의 PACF입니다 . AUTOBOX http://www.autobox.com/cms/ 개발에 도움을 준 소프트웨어는 휴리스틱을 사용하여 시작 모델을 식별합니다.이 경우 처음 식별 된 모델은 다음과 같습니다 . 이 모델의 잔차에 대한 진단 검사는 레벨 시프트, 펄스 및 계절 펄스를 사용하여 일부 모델 확대를 제안했습니다. 레벨 시프트는 @forecaster의주기 176에 대한 초기 결론과 거의 동일한주기 164에서 또는 그 부근에서 감지됩니다. 모든 길은 로마로 이어지지 않지만 일부는 당신을 닫을 수 있습니다!. 매개 변수 불변성 테스트에서 시간이 지남에 따라 매개 변수 변경이 거부되었습니다. 오차 분산에서 결정 론적 변화를 확인한 결과 오차 분산에서 결정 론적 변화가 감지되지 않았다고 결론 내 렸습니다. . 전력 변환의 필요성에 대한 Box-Cox 테스트는 로그 변환이 필요하다는 결론에 긍정적이었습니다. . 최종 모델은 여기에 있습니다 . 최종 모델의 잔차에는 자기 상관이없는 것으로 보입니다 . 최종 모형 잔차 그림은 가우시안 위반이없는 것으로 보입니다 . 실제 / 적합 / 예측 도표는 여기 에 예측과 함께 있습니다.

ACF와 PACF의 해석

자기 상관 함수의 느린 감쇠는 데이터가 긴 메모리 프로세스를 따르는 것을 나타냅니다. 충격 지속 시간은 상대적으로 지속적이며 여러 관측치에 영향을 미칩니다. 이것은 아마도 데이터의 부드러운 추세 패턴에 의해 반영 될 것입니다.

차수 12의 ACF 및 PACF는 유의 신뢰 구간을 벗어납니다. 그러나 이것이 반드시 식별 가능한 계절 패턴의 존재를 의미하는 것은 아닙니다. 다른 계절 주문 (24, 36, 48, 60)의 ACF 및 PACF는 신뢰 구간 내에 있습니다. 그림 12에서 ACF와 PACF의 순서 12의 중요성이 계절성 또는 일시적 변동으로 인한 것인지 결론을 내리는 것은 불가능합니다.

앞에서 언급 한 ACF의 지속성은 데이터를 정지시키기 위해 첫 번째 차이점이 필요할 수 있음을 시사합니다. 그러나, 차등 계열의 ACF / PACF가 의심스러워 보이고, 차분 필터에 의해 음의 상관이 유발되었을 수 있으며 실제로 적절하지 않을 수 있습니다. 자세한 내용은 이 게시물 을 참조 하십시오.

계절성이 있는지 확인

ACF 및 PACF 분석은 다음과 같은 다른 도구로 보완되어야합니다.

• 스펙트럼 (주파수 영역에서 ACF에 대한 관점)은 데이터의 대부분의 변동성을 설명하는주기의주기를 나타낼 수 있습니다.
• 기본 구조 시계열 모델을 피팅하고 계절 성분의 분산이 다른 매개 변수 (R 함수 stats::StructTS및 패키지 stsm에서 )에 비해 0에 가까운 지 확인하십시오 .
• 계절 모형, 계절주기 또는 X-12 에서 설명하고 구현 한주기를 기반으로 계절성을 테스트합니다 .
• IrishStat에서 언급 한 펄스 및 레벨 이동이 있는지 확인하는 것도 이전 방법의 결론을 왜곡 할 수 있기 때문에 필요합니다 (R에서 패키지 tsoutliers 가이 목적에 유용 할 수 있음).