Що читати з функції автокореляції часового ряду?

Враховуючи часовий ряд, можна оцінити функцію автокореляції та побудувати її, наприклад, як показано нижче:

Часовий ряд

ACF

Що тоді можна прочитати про часовий ряд, з цієї функції автокореляції? Чи можна, наприклад, міркувати про стаціонарність часового ряду?

Відредаговано : Тут я включив ACF розрізненої серії з більшою кількістю затримок

ACF після розмежування

time-series autocorrelation

— виразний
джерело

Можливо, це допоможе побудувати ACF на більші відставання, можливо, на кілька сотень?

— onestop

Як ви визначаєте стійкість часового ряду?

— mpiktas

Ви мали на увазі, можливо, стаціонарність ?

— кардинал

Так, я мав на увазі стаціонарність.

— виголошення

цей акф пропонує нестаціонарність, яку можна усунути, включивши щоденний ефект, оскільки це виявляється в структурі доказів у відставанні 24. Щоденний ефект може бути або авторегресивним для порядку 24, або може бути детермінованим, де можуть знадобитися 23 годинні манекени. Ви можете спробувати будь-яке з них і оцінити результати. Здається, потрібна подальша структура. Це може бути або потреба включити зміщення рівня, або якась форма короткочасної авторегресивної структури, як дифференцирующий оператор відставання 1. Після визначення та оцінки корисного режиму залишки можуть запропонувати подальші дії (розширення моделі), щоб гарантувати, що сигнал повністю вилучив усю інформацію і видав шумовий процес, нормальний або гауссовий. Потім це відповість на ваше розпливчасте питання щодо "стабільності". Сподіваюся, це допомагає!

Невелике доповнення!

Слово "пропонує" вживається, оскільки ACF не є останньою словою на цьому, а фактичні дані є. За відсутності фактичних даних ACF іноді корисний для характеристики процесу.

— IrishStat
джерело

Я думаю, що сюжет часових рядів дає зрозуміти, що нестаціонарність нічим не буде виправлена в порядку 24 лагів. Я підозрюю, що "структура", яку ви бачите біля 24 відстань, насправді коливання високої частоти також дуже очевидні в першому сюжеті. Дійсно, як груба оцінка, я підрахував видимі корита між індексом 3500 і 4000, і я бачу 20 з них. Якщо для цього слід було б вирішити просту різницю відставання-1, ви, мабуть, побачили досить виражений 1 / f, як розпад у коефіцієнтах АКФ. Мені це не одразу виглядає так, але намічено дуже мало відставань.

— кардинал

: кардинал Що ти кажеш, може бути правильним. Фактичні дані допоможуть оцінити базовий сигнал. У мене немає доступу до програми очищення даних, хоча я бачив, що деякі інші афіші посилаються на це. Можливо, фактичні дані можуть бути розміщені або посилання на програму очищення даних / екрану, яка виконувалась tha.

— IrishStat

Навіщо аналізувати ACF перед тим, як розрізняти серії? Це не майже універсальна практика, коли існує чітка тенденція?

— rolando2

: Rolando Причина, яку я аналізував або коментував ACF, - це те, чого хотіла ОП. Я погоджуюся з вашим коментарем, що ви, можливо, захочете розібратися з "стійкістю доступу", усунувши явну нестаціонарність. Правильний засіб може не обов'язково відрізнятись, будь ласка, див. Insead.edu/fa fakulteresearch/research/doc.cfm ? did=46900 . Ви можете просто імітувати часовий ряд, який має одну або кілька «кардинальних» змін середнього рівня, але в іншому випадку є випадковим. Вивчіть ACF і виявите, що це хибні докази того, що для отримання нерухомого ряду потрібно відрізняти серію.

— IrishStat

@IrishStat: дякую за Ваш коментар. Документ, на який ви посилаєтесь, безперечно, суперечить переважній більшості літератури часових рядів. Здається, це з 1995 року; як це було отримано? Він позначений як "робочий папір"; це коли-небудь проходило рецензування?

— rolando2