ACF ve PACF grafiklerini analiz edin

ACF ve PACF arazilerimin analizinde doğru yolda olup olmadığımı görmek istiyorum:

görüntü tanımını buraya girin

Arkaplan: (Reff: Philip Hans Franses, 1998)

Hem ACF hem de PACF önemli değerler gösterdiğinden, ARMA modelinin ihtiyaçlarıma cevap vereceğini düşünüyorum.
ACF, MA parçasını tahmin etmek için kullanılabilir, yani q değeri, PACF, AR parçasını, yani p değerini tahmin etmek için kullanılabilir.
Bir model sırasını tahmin etmek için a.) ACF değerlerinin yeterince ölüp ölmediğine bakıyorum, b.) ACF'nin fazla fark etmesinin sinyalleri olup olmadığını ve c).
ACF ve PACF sadece bir model değil, diğer tanı araçlarını düşündükten sonra seçmem gereken birçok model önerebilir

Bunu göz önünde bulundurarak devam edeceğim ve en belirgin modelin ACF değerleri gecikme 4'te çıktığı ve PACF'in 1 ve 2'deki artışları gösterdiği için ARMA (4,2) gibi göründüğünü söyleyebilirim.

Analiz etmenin bir diğer yolu, PACF'imde iki önemli yükselme ve ACF'imde bir önemli yükselme gördüğümden sonra bir ARMA (2,1) olacaktır (bundan sonra değerler çok daha düşük bir noktadan başlayarak ölür (0.4)).

Örnek-tahmin sonuçlarıma bakıldığında (basit bir Ortalama Mutlak Yüzde Hatası kullanarak) ARMA (2,1), ARMA'dan (4,2) çok daha iyi sonuçlar verir. Bu yüzden ARMA (2,1) kullanıyorum!

ACF ve PACF alanlarını analiz etme yöntemimi ve bulgularımı doğrulayabilir misiniz?

Takdir yardım!

DÜZENLE:

Tanımlayıcı istatistikler:

count  252.000000
mean    29.576151
std      7.817171
min     -0.920000
25%     26.877500
50%     30.910000
75%     34.915000
max     47.430000

Skewness of endog_var: [-1.35798399]

Kurtsosis of endog_var: [ 5.4917757]

Augmented Dickey-Fuller Test for endog_var: (-3.76140904255411, 0.0033277703768345287, {'5%': -2.8696473721448728, '1%': -3.4487489051519011, '10%': -2.5710891239349585}

Zaman serisi:

görüntü tanımını buraya girin

Artıklar (ARMA (2,1):

görüntü tanımını buraya girin

Artıkların ACF / PACF'leri:

görüntü tanımını buraya girin

EDIT II:

Veri:

— Peter Knutsen
kaynak

Veriler biraz sapık görünüyor, belki de durağan değil. Bana, artıklarla ilgili bazı potansiyel meseleler, hatta koşullu heteroskedasticity gibi görünüyor.

— Glen_b -Regan Monica

Bence çarpıklık, yalnızca orijinal verilerin analizi ile doğrulanabilecek anormal değerler (bakliyatlar) önermektedir.

— IrishStat,

Yanıtlar:

ACF'nize ve PACF'inize bakmak, analizinizin tüm bağlamında da yararlıdır. Ljung-Box Q istatistikiniz; p-değeri; güven aralığı, ACF ve PACF birlikte görülmelidir. Örneğin burada Q testi:

acf, ci, Q, pvalue = tsa.acf(res1.resid, nlags=4,confint=95,  qstat=True, unbiased=True)

Burada - otokorelasyon için Q testimiz, grafiksel yorumlamamızın genel bir bağırsak kontrolüdür.

Statsmodels'taki Zaman Serileri analiziyle ilgili taslak notlar: http://conference.scipy.org/proceedings/scipy2011/pdfs/statsmodels.pdf

— Andrew Owens
kaynak

ACF ve PACF'ye, 60'lı yılların ortalarında önerilen araçları kullanan tek güven, benzetilmiş veriler dışında bazen nadiren doğrudur. AIC / BIC gibi Model Tanımlama araçları, faydalı bir modeli neredeyse hiç doğru bir şekilde tanımlamaz, ancak varsayımlarla ilgili küçük yazıları okumadığınızda ne olacağını gösterir. Mümkün olduğu kadar basit bir şekilde başlamanızı öneririm, ama çok da basit değil ve geçici bir model tahmin edin; Glen_b tarafından önerildiği gibi AR (1). Bu geçici modelin kalıntıları / analizi, potansiyel model artışını veya model basitleştirmesini öneren başka bir ACF ve PACF'yi hesaplamak için kullanılabilir. Referanslarınızdaki yorumların şu andaki serinin / kalıntıların herhangi bir deterministik yapı içermediğini, yani bakliyat, seviye kayması, Yerel Zaman Eğilimleri ve Mevsimsel Nabız ve dahası, serilerin sürekli hata varyansına sahip olduğunu ve geçici modelin parametrelerinin zaman içinde değişmez olduğunu gösterir. İsterseniz verilerinizi gönderebilir ve size yararlı bir model oluşturmanıza yardımcı olmaya çalışırım.

VERİLERDEN SONRA EDİT RAPORLANDI:

365 değer teslim edildi ve analiz edildi, bu da belirlenen AR (1) modelini belirlenmiş Darbeler ve 2 Seviye Değişimleri ile sağladı. görüntü tanımını buraya girin . Bunun popüler bir tahmin olduğunu unutmayın. Bu modelden kalanlar burada çizilir . Bir varyans heterojenikliği önerisi var ancak bu bir belirti ve sonuçta bulacağımız doğru tedaviyi bulmak gerekiyor. Burada gösterilen artıkların acf işlemine devam edilmesi, görüntü tanımını buraya girin bir model yetersizliği önerisi sergiler. Artıkların acf tablosuna daha yakından bakmak burada7. ve 14. gecikmelerdeki yapıyı öne sürmek. İki ipucunu bir araya getirmek (örneklem büyüklüğü 365 ve önemli haftalık yani 7 gecikmeli yapı), bunun gerçekten günlük veriler olup olmadığını araştırmaya karar verdim. Yeni kullanıcılar, bilgisayarları her şeyi anlamayacak kadar akıllı olması gerektiği yönündeki verilerini yanlış yerde tanımladıkları zaman çok önemli bilgileri ihmal ederler. Gecikme 7 ve gecikme 14 ipuçlarının OP'S ACF ve PACF alanlarına gömüldüğünü not edin. Kalıntılardaki deterministik yapının varlığı hata farkını arttırır, böylece acf'yi baskılayabilir. Aykırı değerler / nabızlar / seviye kaymaları tespit edildikten sonra acf, o zaman hesaba katılması gereken otoregresif bir yapı / günlük göstergelerin varlığını ortaya koydu.

Daha sonra, yazılımın günlük veri olduğu ipucuyla devam etmesine izin veren verileri analiz ettim. Sadece 365 değerle, 1 yıldan fazla veri ile mümkün olan mevsimsel / tatil öngörücülerini içeren BUT modellerini uygun şekilde oluşturmak mümkün değildir.

Bulunan model, burada görüntü tanımını buraya girin 5 günlük manken, iki Seviye Kayması, bir dizi bakliyat ve formun bir arima modelini (1,0,0) (1,0,0) içermektedir. Artıkların komploları artık daha iyi bir model olduğu için sabit olmayan yapıyı kanıtlamamaktadır. . Pe artıkların e acf daha temiz. Gerçek / Temizlenmiş grafik olağandışı nabız noktalarını vurgular. görüntü tanımını buraya girin . Buradaki ders, verileri günlük zaman serileri olduğuna dair kritik bilgi olmadan analiz ettiğinde, yetersiz bir temsili (veya belki de günlük ipucunun ileri düzey bilgisini) yansıtan bir ton atım olduğu anlamına gelir. Gerçek / Sığdır ve Tahmini burada sunulmaktadır görüntü tanımını buraya girin .

Aynı veri seti ile başkalarının ne yapacağını görmek ilginç olurdu. Tüm analizlerin, piyasada satılan bir yazılım kullanılarak serbest konuşma modunda yapıldığına dikkat edin.

— IrishStat
kaynak

sabahın erken saatlerinde yanlış oku ... Normalde

— grafiğimdeki

Beni de ilk başta kandırdı.

— Glen_b -Regan Monica

Cevabınız için teşekkürler. Zaman serisi tahmini alanında tecrübesi olmayan biri olarak, doğru modeli seçme prosedürünü tam olarak anlamak zordur, çünkü resmi olarak doğru bir yol yoktur. Maalesef ham verilerimi göndermeme izin verilmedi. Ek bilgilerin yararlı olacağını umuyorum (bkz. 'EDIT:')

— Peter Knutsen,

Sunmadan önce verilerinizi ölçeklendirebilir / maskeleyebilirsiniz. Grafiğe bakıldığında, eğer aşağı doğru tedavi edilmezse acf ve pacf'i yanlış bir şekilde yeterli olduğuna işaret eden alışılmadık değerler olabilir. Aşağı yönlü bir eğilimin görsel bir önerisi var, bunu izleyen bir eğilim yok, ancak bu şu an için bir tahmin.

— IrishStat,

Sadece kullanabileceğiniz bazı verileri ekledim ..

— Peter Knutsen

Bana 0'da dikenleri sayıyormuşsun gibi geldi.

PACF'iniz, gecikme 1'de AR (1) 'i öneren oldukça büyük bir ani artış gösterir. Bu elbette ACF'de (genel olarak konuşursanız, gördüğünüz) geometrik bir azalmaya neden olacaktır. Hem AR hem de MA olmak üzere aynı bağımlılığa iki kez uymaya çalışıyor gibi görünüyorsunuz.

Daha önce AR (1) 'i denemeye çalıştım ve endişelenmeye değer bir şey olup olmadığını görmeye başladım.

— Glen_b -Reinstate Monica
kaynak

Peter; cevabımın içinde bir yazım hatası vardı (son paragrafta AR (1) doğru vardı, fakat ikinci paragrafta MA (1) yazdım).

— Glen_b -Regan Monica

Cevabınız için teşekkürler. 0 gecikmesinden saymak elbette önemli bir hatadır! AR (1) 'i denedim ve sonuç ARMA (2,1) kadar iyi değildi!

— Peter Knutsen,

Bu kadar iyi olmadığı durumda olabilir - yine de, AR (1) başlangıç yeri olacaktır. Mesela artık PACF neye benziyordu? Orijinal seri neye benziyor? Verilerin bir ACF ve PACF'sinden kolayca toplanamayan birçok şey olabilir.

— Glen_b -Regan Monica

Teşekkürler. Yeni görüşlere yol açabilecek bazı ek bilgiler gönderdim.

— Peter Knutsen,