Làm thế nào để giải thích các lô acf và pacf

Sau đây là các lô acf và pacf của một chuỗi dữ liệu hàng tháng. Cốt truyện thứ hai là acf với ci.type = 'ma':

Sự tồn tại của các giá trị cao trong cốt truyện acf có thể đại diện cho một xu hướng tích cực dài hạn. Câu hỏi là nếu điều này đại diện cho sự thay đổi theo mùa?

Tôi đã cố gắng để xem các trang web khác nhau về chủ đề này nhưng tôi không chắc chắn nếu các lô này cho thấy tính thời vụ.

Phân tích cốt truyện ACF và PACF

Trợ giúp diễn giải các lô ACF và PACF

Giúp hiểu được hình ảnh sau đây của ACF

Autocorrelation và giải thích autocorrelation một phần

Chỉnh sửa: sau đây là biểu đồ cho độ trễ lên tới 60:

Sau đây là các lô của diff (my_series):

Và tối đa độ trễ 60:

Chỉnh sửa: Dữ liệu này là từ: Đây có phải là một phương pháp thích hợp để kiểm tra các tác động theo mùa trong dữ liệu đếm tự tử? Ở đây, những người đóng góp đã không xem xét cốt truyện acf và pacf của loạt phim gốc hoặc khác biệt đáng được đề cập (vì vậy nó không phải là quan trọng). Chỉ các lô acf / pacf của phần dư được đề cập ở một vài nơi.

nhìn vào các ô để cố gắng đưa dữ liệu vào mô hình arima đoán được hoạt động tốt khi 1: Không có ngoại lệ / xung / mức dịch chuyển, xu hướng thời gian cục bộ và không có xung xác định theo mùa trong dữ liệu VÀ 2) khi mô hình arima có tham số không đổi theo thời gian VÀ 3) khi phương sai lỗi từ mô hình arima có phương sai không đổi theo thời gian. Khi nào ba điều này giữ .... trong hầu hết các bộ dữ liệu sách giáo khoa trình bày sự dễ dàng của mô hình arima. Khi làm 1 hoặc nhiều hơn 3 không giữ .... trong mọi tập dữ liệu trong thế giới thực mà tôi từng thấy. Câu trả lời đơn giản cho câu hỏi của bạn yêu cầu quyền truy cập vào các sự kiện ban đầu (dữ liệu lịch sử) chứ không phải thông tin mô tả thứ cấp trong các ô của bạn. Nhưng đây chỉ là ý kiến ​​của tôi!

EDITED SAU KHI NHẬN DỮ LIỆU:

Tôi đang trong một kỳ nghỉ ở Hy Lạp (thực sự đang làm gì đó ngoài phân tích chuỗi thời gian) và không thể phân tích DỮ LIỆU SUICIDE mà kết hợp với bài đăng này. Bây giờ tôi thấy phù hợp và đúng đắn khi tôi gửi một phân tích để theo dõi / chứng minh bằng ví dụ nhận xét của tôi về các chiến lược nhận dạng mô hình nhiều giai đoạn và sự thất bại của phân tích trực quan đơn giản về các ô tương quan đơn giản là "bằng chứng nằm trong mánh khóe".

Đây là ACF của dữ liệu gốc PACF của loạt gốc . AUTOBOX http://www.autobox.com/cms/ một phần mềm mà tôi đã giúp phát triển sử dụng phương pháp phỏng đoán để xác định mô hình khởi động Trong trường hợp này, mô hình được xác định ban đầu đã được tìm thấy . Việc kiểm tra chẩn đoán các phần dư từ mô hình này đã gợi ý một số gia tăng mô hình bằng cách sử dụng dịch chuyển mức, xung và xung theo mùa Lưu ý rằng Mức dịch chuyển được phát hiện tại hoặc trong khoảng thời gian 164 gần giống với kết luận trước đó về giai đoạn 176 từ @forecaster. Tất cả các con đường không dẫn đến Rome nhưng một số có thể giúp bạn gần gũi!. Kiểm tra tham số từ chối tham số thay đổi tham số theo thời gian. Kiểm tra các thay đổi xác định trong phương sai lỗi kết luận rằng không có thay đổi xác định nào được phát hiện trong phương sai lỗi. . Thử nghiệm Box-Cox cho nhu cầu biến đổi công suất là dương tính với kết luận rằng biến đổi logarit là cần thiết. . Mô hình cuối cùng là đây . Phần dư từ mô hình cuối cùng dường như không có bất kỳ sự tự tương quan nào . Âm mưu của các mô hình cuối cùng còn lại dường như không có Vi phạm Gaussian . Cốt truyện của Actual / Fit / Dự báo là ở đây với dự báo ở đây

Giải thích ACF và PACF

Sự phân rã chậm của chức năng tự tương quan cho thấy dữ liệu tuân theo quy trình bộ nhớ dài. Thời gian của các cú sốc là tương đối dai dẳng và ảnh hưởng đến dữ liệu một số quan sát phía trước. Điều này có thể được phản ánh bởi một mô hình xu hướng trơn tru trong dữ liệu.

ACF và PACF của đơn hàng 12 nằm ngoài các dải tin cậy quan trọng. Tuy nhiên, điều này không nhất thiết có nghĩa là sự hiện diện của một mô hình theo mùa có thể xác định được. ACF và PACF của các đơn đặt hàng theo mùa khác (24, 36, 48, 60) nằm trong dải tin cậy. Từ đồ họa, không thể kết luận liệu tầm quan trọng của ACF và PACF của đơn hàng 12 là do tính thời vụ hay biến động nhất thời.

Sự kiên trì của ACF được đề cập trước đây cho thấy rằng có thể cần có sự khác biệt đầu tiên để hiển thị văn phòng phẩm dữ liệu. Tuy nhiên, ACF / PACF của loạt khác biệt có vẻ đáng ngờ, mối tương quan tiêu cực có thể đã được gây ra bởi bộ lọc khác biệt và có thể không thực sự phù hợp. Xem bài đăng này để biết một số chi tiết.

Xác định xem tính thời vụ có mặt không

Việc phân tích ACF và PACF cần được bổ sung bằng các công cụ khác, ví dụ:

• Phổ (chế độ xem ACF trong miền tần số), có thể tiết lộ tính chu kỳ của các chu kỳ giải thích hầu hết các biến thiên trong dữ liệu.
• Lắp mô hình chuỗi thời gian cấu trúc cơ bản và kiểm tra xem phương sai của thành phần theo mùa có gần bằng 0 so với các tham số khác không (trong hàm R stats::StructTSvà gói stsm ).
• Các thử nghiệm về tính thời vụ, dựa trên các hình nộm theo mùa, chu kỳ theo mùa hoặc các thử nghiệm được mô tả và thực hiện trong X-12 .
• Việc kiểm tra sự hiện diện của xung và dịch chuyển mức như được đề cập bởi IrishStat cũng là cần thiết vì chúng có thể làm sai lệch kết luận từ các phương pháp trước đó (trong R, các tsoutliers gói có thể hữu ích cho đến cuối này).