ACF ve PACF grafikleri nasıl yorumlanır

Sadece ACF ve PACF grafiklerini doğru yorumladığımı kontrol etmek istiyorum:

Veriler, gerçek veri noktaları ile bir AR (1) modeli kullanılarak oluşturulan tahminler arasında üretilen hatalara karşılık gelir.

Buradaki cevaba baktım:

ACF ve PACF denetimi ile ARMA katsayılarını tahmin etme

Okuduktan sonra hatalar otomatik olarak ilişkilendirilmemiş gibi görünüyor ama sadece emin olmak istiyorum, endişelerim:

1.) İlk hata sınırda (bu durumda, gecikme 1'de önemli oto-korelasyon olduğunu kabul etmeli veya reddedmeliyim)?

2.) Çizgiler% 95 güven aralığını temsil eder ve 116 gecikme olduğu düşünüldüğünde (6'ya kadar yuvarladığım) 0.05 gecikmenin 6 gecikmeyi aşmamasını bekliyorum. ACF için durum budur, ancak PACF için yaklaşık 10 istisna vardır. Bunları sınıra dahil ederseniz, daha çok 14 gibi mi? Bu hala oto-korelasyon olmadığını gösteriyor mu?

3.)% 95 güven aralığının tüm ihlallerinin aşağı yönlü olduğu gerçeğine dair bir şey okumalı mıyım?

Gösterdiğiniz grafiklerde belirgin bir yapı yoktur.

Bantların dışında bulunan negatif kısmi otokorelasyonların gecikme sırası birbirinin katları değildir (gecikmelerdir, 22, 56, 62, 78, 94), örneğin 12 gibi düzenli sayıda gecikmeden sonra ortaya çıkmazlar. , 24, 36, 48, bu yüzden arsadan buna dayanarak herhangi bir desen çıkartamazdım.

Bir tamamlayıcı olarak, pozitif veya negatif değerlerin çalışmalarını yakalamak için yararlı olabilecek bağımsızlık testi olan bir çalışma testi uygulayabilirsiniz .

Bazı otorrelasyonların önemi ile ilgili olarak bunların büyük düzenlerde ortaya çıktığını görüyorum. Bu otokorelasyonların verileriniz bağlamında anlamlı olup olmayacağını düşünmelisiniz. 56 gözlemden önce gözlemlenen değerin mevcut gözlemi etkileyeceğini düşünmek mantıklı mı? Üç aylık verilerimiz olsaydı, 8 ve 12. gecikmelerde önemli korelasyonları incelemeye değer olurdu çünkü bunlar verilerin periyodikliğinin katlarıdır ve veriler bağlamında açıklayabileceğimiz bazı mevsimsel kalıpları yansıtabilir. Ancak, 9, 11 veya daha yüksek gecikmelerde önemli gecikmeler ortaya çıkarsa, bunu normal bir kalıp olarak haklı çıkaracak bir açıklamaya sahip olmadığımdan endişe etmem.

Kalıntıların korelogram incelemesi (gerçek veri noktası ve tahminler arasındaki fark), ARIMA modelinde verilerle ilgili herhangi bir önemli paternin kalmadığını kontrol etmek için yapılır. Tüm bilgiler yakalanmışsa, ACF ve PACF grafikleri beyaz gürültüye benzemelidir.

Görsel bir muayene, aynı şeyi güvenle varsaymaya yardımcı olmazsa, kalanlar üzerinde bir Box-Ljung testi yapmayı deneyebilirsiniz.

Bu senaryoda Box-Ljung testi için sıfır hipotezi, artıkların beyaz gürültüden farklı olmaması olacaktır.

Testi r'de çalıştırmak için kod:

Box.test(residuals, lag = 28, fitdf = 5, type = "Ljung")

Gecikme değeri gecikme otokorelasyon katsayılarının sayısına göre ayarlanır ve fitdf çıkarılacak özgürlüklerin sayısıdır. Bir ARIMA (p, d, q) (P, D, Q) m için genellikle fitdf = (p + q + P + Q) ayarlıyorum

Bir Box-Ljung testi büyük bir p değeri döndürürse, artıkların kalan otokorelasyonları olmadığını, yani beyaz gürültüye benzediklerini gösterir.