정상이 없을 때의 자기 상관?

9

자기 상관 함수가 정지되지 않은 시계열에 의미가 있습니까?

시계열은 일반적으로 자기 상관이 Box 및 Jenkins 모델링 목적으로 사용되기 전에 정지 된 것으로 가정합니다.

time-series autocorrelation box-jenkins

— 그리핀
소스

1

시리즈가 고정식이 아닌 경우 ACF는 매우 느리게 감소하여 쓸모가 없어집니다 (기본적으로 일정합니다). '의미 있음'이란 무슨 뜻입니까?

— user603

시계열이 고정되어 있지 않은 경우, 종종 시리즈의 첫 번째 차이가 고정됩니다 (예 : 재무 시계열).

— 존 살바 티어

14

@ whuber는 좋은 대답을했습니다. 저는 R에서 이것을 매우 쉽게 시뮬레이션 할 수 있다고 덧붙입니다.

op <- par(mfrow = c(2,2), mar = .5 + c(0,0,0,0))

N <- 500
# Simulate a Gaussian noise process
y1 <- rnorm(N)
# Turn it into integrated noise (a random walk)
y2 <- cumsum(y1)

plot(ts(y1), xlab="", ylab="", main="", axes=F); box()
plot(ts(y2), xlab="", ylab="", main="", axes=F); box()
acf(y1, xlab="", ylab="", main="", axes=F); box()
acf(y2, xlab="", ylab="", main="", axes=F); box()

par(op)

어느 쪽이 다음과 같이 보입니다.

대체 텍스트

따라서 고정식이 아닌 시리즈의 경우 ACF 기능이 천천히 0으로 내려가는 것을 쉽게 확인할 수 있습니다. @whuber가 언급했듯이 감소율은 추세의 측정 기준이지만, 이러한 유형의 분석에 사용하기에 가장 좋은 도구는 아닙니다.

— 셰인
소스

7

바리오 그램으로서의 대안적인 형태에서, 함수가 큰 지연으로 증가하는 속도는 대략 평균 추세의 제곱입니다. 이는 추세를 적절하게 제거했는지 여부를 결정하는 유용한 방법 일 수 있습니다.

Variogram을 제곱 된 상관 관계에 적절한 분산을 곱하고 거꾸로 뒤집은 것으로 생각할 수 있습니다.

(이 결과는 왜 GAM에 위도 및 경도를 포함 시키는가 공간 자기 상관을 설명합니까? 에서 제시된 분석의 직접적인 결과입니다. variogram에 다양한 위치의 값 간 예상되는 제곱 차이에 대한 정보가 어떻게 포함되는지 보여줍니다.)

— 우버
소스

0

한 가지 아이디어는 시계열을 고정시키고 ACF를 수행하는 것입니다. 시계열을 고정시키는 한 가지 방법 은 연속 관측치 간의 차이 를 계산하는 것 입니다. 차이 신호의 ACF는 신호의 추세 또는 계절성 영향을받지 않아야합니다.

— 안젤라
소스