Як інтерпретувати ці сюжети ACF та Pacf

Далі наведені сюжети ACF та Pacf щомісячних даних. Другий сюжет - це acf з ci.type = 'ma':

Наполегливість високих значень в сюжеті ACF, ймовірно, представляє довгострокову позитивну тенденцію. Питання полягає в тому, чи це означає сезонні зміни?

Я намагався бачити різні сайти на цю тему, але не впевнений, чи показують ці сюжети сезонність.

Аналіз ділянок ACF та PACF

Допоможіть інтерпретувати графіки ACF- та PACF

Допоможіть зрозуміти наступну картину АКФ

Автокореляція та часткова інтерпретація автокореляції

Редагувати: нижче наведено графік відставання до 60:

Далі наводяться сюжети різниці (my_series):

І до відставання 60:

Редагувати: Ці дані походять від: Чи це відповідний метод для перевірки сезонних наслідків даних про кількість самогубств? Тут дописувачі не вважали сюжет ACF і Pacf оригінальної чи різницької серії, який варто згадати (тому це не повинно бути важливо). У кількох місцях згадувались лише залишки ACF / Pacf.

дивлячись на графіки, щоб спробувати заграти дані в здогадану модель аріма, добре працює, коли 1: У даних немає атрибутів / імпульсів / зрушень рівня, місцевих тенденцій часу та жодних сезонних детермінованих імпульсів І 2), коли модель arima має постійні параметри в часі І 3), коли дисперсія помилок від моделі аріма має постійну дисперсію в часі. Коли ці три речі дотримуються .... у більшості наборів даних підручника, що представляють простоту моделювання арими. Коли 1 чи більше з трьох не втримуються .... у кожному реальному наборі даних, який я коли-небудь бачив. Проста відповідь на ваше запитання вимагає доступу до оригінальних фактів (історичних даних), а не до другої описової інформації у ваших сюжетах. Але це лише моя думка!

ВИДАЛЕНО ПІСЛЯ ПРИЙМАННЯ ДАНИХ:

Я був у грецькій відпустці (фактично робив щось інше, ніж аналіз часових рядів) і не зміг проаналізувати ДАНІ про суїцид, але спільно з цим повідомленням. Тепер я підходящий і правильний, що я подаю аналіз, щоб продовжити / довести на прикладі мої коментарі щодо стратегій багатостадійної ідентифікації моделі та недоліків простого візуального аналізу простих кореляційних сюжетів, як "доказ в пудингу".

Ось ACF вихідних даних PACF оригінальної серії . AUTOBOX http://www.autobox.com/cms/ програмне забезпечення, яке я допомогла розробити, використовує евристику для виявлення стартової моделі . Діагностична перевірка залишків з цієї моделі запропонувала деяке доповнення моделі за допомогою зсуву рівня, імпульсів та сезонного імпульсу. Зауважте, що Зміна рівня виявляється приблизно на періоді 164, що майже ідентично попередньому висновку про період 176 від @forecaster. Всі дороги не ведуть до Риму, але деякі можуть вас зблизити!. Тестування на сталість параметрів, що відхиляються, змінюється з часом. Перевіривши детерміновані зміни дисперсії помилок, дійшов висновку, що детермінованих змін у дисперсії помилки не виявлено. . Випробування Box-Cox щодо необхідності перетворення потужності було позитивним, зробивши висновок про необхідність логарифмічного перетворення. . Остаточна модель тут . Залишки остаточної моделі не містять автокореляції . Сюжет остаточних моделей, здається, не містить Гауссових порушень . Сюжет Актуального / Підходящого / Прогнозування тут з прогнозами тут

Інтерпретація ACF та PACF

Повільний занепад функції автокореляції дозволяє припустити, що дані слідують за процесом довгої пам'яті. Тривалість потрясінь є відносно стійкою і впливає на дані на кілька спостережень попереду. Це, мабуть, відображається на плавній тенденції в даних.

ACF та PACF порядку 12 виходять за рамки достовірності. Однак це не обов'язково означає наявність ідентифікованого сезонного малюнка. ACF та PACF інших сезонних замовлень (24, 36, 48, 60) знаходяться в межах довіри. З графічної картини неможливо зробити висновок, чи обумовлена ​​значимість ACF та PACF порядку 12 через сезонність або тимчасові коливання.

Згадане раніше збереження ACF свідчить про те, що спочатку можуть знадобитися розбіжності, щоб зробити дані нерухомими. Однак ACF / PACF з розрізнених серій виглядають підозрілими, негативна кореляція, можливо, була викликана диференціальним фільтром і може бути фактично не підходящою. Дивіться цю публікацію для отримання детальної інформації.

Визначте, чи є сезонність

Аналіз ACF та PACF слід доповнити іншими інструментами, наприклад:

• Спектр (погляд на АЧХ у частотній області), може виявити періодичність циклів, що пояснюють більшість змінних даних.
• Підійдіть до базової моделі структурних часових рядів і перевірте, чи дисперсія сезонного компонента близька до нуля відносно інших параметрів (у функції R stats::StructTSта пакеті stsm ).
• Тести на сезонність на основі сезонних муляжів, сезонних циклів або тих, що описані та впроваджені в X-12 .
• Перевірка наявності імпульсів і зсувів рівня, про яку згадує IrishStat, також необхідна, оскільки вони можуть спотворювати висновки з попередніх методів (у R пакет для цього можуть бути корисними для цього.