Bu acf ve pacf grafikleri nasıl yorumlanır

Aşağıda, aylık veri serilerinin acf ve pacf grafikleri verilmiştir. İkinci grafik ci.type = 'ma' ile acf:

Acf grafiğindeki yüksek değerlerin sürekliliği muhtemelen uzun vadeli olumlu bir eğilimi temsil etmektedir. Soru, bunun mevsimsel değişimi temsil edip etmediği?

Bu konuda farklı siteler görmeye çalıştım ama bu arazilerin mevsimsellik gösterip göstermediğinden emin değilim.

ACF ve PACF grafik analizi

ACF ve PACF grafiklerinin yorumlanmasına yardımcı olun

ACF'nin aşağıdaki resmini anlamaya yardımcı olun

Otokorelasyon ve kısmi otokorelasyon yorumu

Düzenleme: 60'a kadar olan gecikme grafiği:

Diff (my_series) grafikleri aşağıdadır:

Ve 60 yaşına kadar:

Edit: Bu veriler: Bu intihar sayısı verilerinde mevsimsel etkileri test etmek için uygun bir yöntem mi? Burada katılımcılar bahsetmeye değer orijinal veya farklı serilerin acf ve pacf grafiğini düşünmediler (bu yüzden önemli olmamalıdır). Birkaç yerde artıkların sadece acf / pacf alanlarına atıfta bulunulmuştur.

tahmin edilen bir arima modeline verileri güvercin deliği içine sokmaya çalışmak için arazilere bakmak 1 olduğunda: Ekstrem / nabız / seviye kayması, yerel zaman eğilimleri ve verilerde mevsimsel deterministik nabız yok VE 2) arima modeli olduğunda zaman içinde sabit parametreler VE 3) arima modelindeki hata varyansı zaman içinde sabit varyansa sahip olduğunda. Bu üç şey ne zaman tutulur ... çoğu ders kitabı veri setinde arima modelleme kolaylığı sunar. Ne zaman 3 ya da daha fazla tutun değil .... şimdiye kadar gördüğüm her gerçek dünya veri kümesinde. Sorunuzun basit cevabı, grafiklerinizdeki ikincil açıklayıcı bilgilere değil, orijinal olgulara (geçmiş verilerine) erişim gerektirir. Ama bu sadece benim düşüncem!

VERİ ALIMINDAN SONRA DÜZENLENMİŞTİR:

Bir Yunan tatildeydim (aslında zaman serisi analizinden başka bir şey yapıyordum) ve SUICIDE VERİLERİNİ analiz edemedim ama bu yazı ile birlikte. Çok aşamalı model tanımlama stratejileri ve "kanıt pudingde" olarak basit korelasyon çizimlerinin basit görsel analizinin başarısızlıkları hakkındaki yorumlarımı örnek olarak takip etmek / kanıtlamak için bir analiz sunmam uygun ve doğru.

İşte orijinal verinin ACF'si Orijinal serinin PACF'si . AUTOBOX http://www.autobox.com/cms/ geliştirdiğim bir yazılım parçası, bir başlangıç ​​modelini belirlemek için sezgisel tarama kullanır Bu durumda başlangıçta tanımlanan model bulundu . Bu modeldeki kalıntıların teşhis kontrolü, seviye kayması, darbeler ve mevsimsel bir nabız kullanarak bazı model büyütme önerdi. Tüm yollar Roma'ya götürmez, ancak bazıları sizi yakınlaştırabilir!. Parametre sabitliğinin test edilmesi zaman içinde parametre değişikliklerini reddetti. Hata varyansındaki deterministik değişikliklerin kontrol edilmesi, hata varyansında hiçbir deterministik değişiklik saptanmadığı sonucuna varmıştır. . Bir güç dönüşümü ihtiyacı için Box-Cox testi, logaritmik bir dönüşümün gerekli olduğu sonucuyla pozitiftir. . Son model burada . Nihai modeldeki artıklarda herhangi bir otokorelasyon bulunmaz . Son model kalıntılarının planında Gauss İhlalleri bulunmuyor gibi görünüyor . Fiili / Fit / Tahminlerin grafiği burada tahminlerle birlikte

ACF ve PACF'nin yorumu

Otokorelasyon fonksiyonunun yavaşça bozulması verilerin uzun bir bellek sürecini takip ettiğini gösterir. Şokların süresi nispeten kalıcıdır ve verileri birkaç gözlemden önce etkiler. Bu muhtemelen verilerdeki yumuşak bir eğilim modeliyle yansıtılmaktadır.

12 nolu ACF ve PACF, önem güven bantlarının ötesindedir. Bununla birlikte, bu mutlaka tanımlanabilir bir mevsimsel paternin varlığı anlamına gelmez. Diğer mevsimsel emirlerin (24, 36, 48, 60) ACF ve PACF güven bantları içindedir. Grafikten, 12. düzenin ACF ve PACF'sinin öneminin mevsimsellik veya geçici dalgalanmalardan kaynaklanıp kaynaklanmadığı sonucuna varmak mümkün değildir.

Daha önce bahsedilen ACF'nin kalıcılığı, verileri sabit hale getirmek için ilk farklılıkların gerekli olabileceğini düşündürmektedir. Bununla birlikte, farklılaştırılmış serilerin ACF / PACF'si şüpheli görünüyor, farklılaştırma filtresi tarafından negatif korelasyon tetiklenmiş olabilir ve aslında uygun olmayabilir. Bkz bu yayını bazı detaylar için.

Mevsimsellik olup olmadığını belirleme

ACF ve PACF analizi diğer araçlarla tamamlanmalıdır, örneğin:

• Spektrum (frekans alanındaki ACF'ye bir bakış), verilerdeki değişkenliğin çoğunu açıklayan döngülerin periyodikliğini ortaya çıkarabilir.
• Temel yapısal zaman serisi modelini takınstats::StructTS ve mevsimsel bileşenin varyansının diğer parametrelere göre sıfıra yakın olup olmadığını kontrol edin (R fonksiyonu ve paket stsm'de ).
• Mevsimsel mankenler, mevsimsel döngüler veya X-12'de açıklanan ve uygulananlar temelinde mevsimsellik testleri .
• IrishStat tarafından belirtildiği gibi darbelerin ve seviye kaymalarının varlığını kontrol etmek de gereklidir, çünkü sonuçları önceki yöntemlerden saptırabilirler (R'de paket alıcıları bu amaçla yararlı olabilir).