これらのacfおよびpacfプロットの解釈方法

以下は、毎月のデータシリーズのacfおよびpacfプロットです。2番目のプロットは、ci.type = 'ma'を使用したacfです。

acfプロットでの高い値の持続性は、おそらく長期的な正の傾向を表しています。問題は、これが季節変動を表すかどうかです。

このトピックでさまざまなサイトを見ようとしましたが、これらのプロットが季節性を示しているかどうかわかりません。

ACFおよびPACFプロット分析

ACFおよびPACFプロットの解釈を支援

次のACFの図を理解するのに役立ちます

自己相関および部分自己相関解釈

編集：以下は60までのラグのグラフです：

以下は、diff（my_series）のプロットです。

ラグ60まで：

編集：このデータの出所：これは、自殺カウントデータの季節的影響をテストする適切な方法ですか？ ここで、寄稿者は、言及する価値のあるオリジナルまたは差分シリーズのacfおよびpacfプロットを考慮しませんでした（したがって、重要ではないはずです）。残差のacf / pacfプロットのみがいくつかの場所で参照されました。

データを推測されたアリマモデルにピジョンホールするためにプロットを見ると、1の場合にうまく機能します。 3）arimaモデルからの誤差分散が経時的に一定の分散を持つ場合。いつこれらの3つのことが成り立つか....ほとんどの教科書のデータセットでは、arimaモデリングの容易さを示しています。私が今まで見たすべての現実世界のデータセットで、3つのうち1つ以上が成り立たないのはいつですか？あなたの質問に対する簡単な答えは、あなたのプロットの二次的記述情報ではなく、元の事実（履歴データ）へのアクセスを必要とします。しかし、これは私の意見です！

データの受領後に編集：

私はギリシャの休暇（実際には時系列分析以外のことをしている）で、この投稿に関連して自殺データを分析できませんでした。多段階のモデル同定戦略と単純な相関プロットの単純な視覚的分析の失敗についてのコメントを「証拠はプリンにある」と例でフォローアップ/証明するために分析を提出するのが適切であり、正しい。

元のデータのACF 元のシリーズのPACFは次のとおりです。AUTOBOX http://www.autobox.com/cms/私が開発を支援したソフトウェアは、ヒューリスティックを使用して開始モデルを特定します。この場合、最初に特定されたモデルはであることがわかりました。このモデルからの残差の診断チェックは、レベルシフト、パルス、および季節パルスを使用したモデルの拡張を示唆しました。レベルシフトは、@ forecasterの期間176についての以前の結論とほぼ同一の期間164で検出されます。すべての道路がローマに通じているわけではありませんが、一部の道路は近くに行くことができます！。パラメータの不変性のテストは、時間の経過とともにパラメータの変更を拒否しました。エラー分散の決定論的変化を確認した結果、エラー分散に決定論的変化は検出されなかったと結論付けられました。。パワー変換の必要性に関するBox-Coxテストは正であり、対数変換が必要であるという結論に達しました。。最終モデルはこちらです。最終モデルからの残差には、自己相関がないように見えます。最終モデルの残差のプロットには、ガウス違反はありません。Actual / Fit / Forecastsのプロットはここにあり、予測はここにあります

ACFおよびPACFの解釈

自己相関関数のゆっくりとした減衰は、データが長期記憶プロセスに従うことを示唆しています。ショックの持続時間は比較的持続的であり、先のいくつかの観測データに影響します。これはおそらく、データの滑らかな傾向パターンに反映されています。

12次のACFとPACFは、有意な信頼帯を超えています。ただし、これは必ずしも識別可能な季節パターンの存在を意味するものではありません。他の季節注文（24、36、48、60）のACFおよびPACFは、信頼帯域内にあります。図から、次数12のACFとPACFの重要性が季節性によるものか一時的な変動によるものかを結論付けることはできません。

前述のACFの永続性は、データを固定するために最初の違いが必要になる可能性があることを示唆しています。ただし、差分シリーズのACF / PACFは疑わしく見えるため、差分フィルターによって負の相関が誘導されている可能性があり、実際には適切でない場合があります。詳細については、この投稿を参照してください。

季節性があるかどうかを判断する

ACFおよびPACFの分析は、他のツールで補完する必要があります。たとえば：

• スペクトル（周波数領域でのACFのビュー）は、データの変動のほとんどを説明するサイクルの周期性を明らかにする場合があります。
• 基本的な構造的時系列モデルを近似し、季節成分の分散が他のパラメーター（R関数stats::StructTSとパッケージstsm内）に対して相対的にゼロに近いかどうかを確認します。
• 季節ダミー、季節サイクル、またはX-12で説明および実装されているものに基づく季節性のテスト。
• IrishStatが述べたように、パルスとレベルシフトの存在をチェックすることも必要です。これは、以前の方法の結論を歪める可能性があるためです（Rでは、パッケージtsoutliersがこの目的に役立ちます）。