Cara menginterpretasikan plot ACF dan pacf ini

Berikut ini adalah plot acf dan pacf dari seri data bulanan. Plot kedua adalah acf dengan ci.type = 'ma':

Bertahannya nilai tinggi dalam petak acf mungkin mewakili tren positif jangka panjang. Pertanyaannya adalah apakah ini mewakili variasi musiman?

Saya mencoba melihat berbagai situs tentang topik ini, tetapi saya tidak yakin apakah plot ini menunjukkan musim.

Analisis plot ACF dan PACF

Membantu menafsirkan plot ACF- dan PACF

Bantu memahami gambar ACF berikut

Autokorelasi dan interpretasi autokorelasi parsial

Sunting: berikut ini adalah grafik untuk jeda hingga 60:

Berikut ini adalah plot diff (my_series):

Dan hingga 60:

Sunting: Data ini dari: Apakah ini metode yang tepat untuk menguji efek musiman dalam data jumlah bunuh diri? Di sini kontributor tidak mempertimbangkan plot acf dan pacf dari seri asli atau berbeda yang perlu disebutkan (jadi itu tidak boleh penting). Hanya plot acf / pacf dari residu yang dirujuk di beberapa tempat.

melihat plot untuk mencoba memasukkan data menjadi model arima yang ditebak bekerja dengan baik ketika 1: Tidak ada perubahan outlier / pulsa / level, tren waktu lokal dan tidak ada pulsa deterministik musiman dalam data DAN 2) ketika model arima memiliki parameter konstan dari waktu ke waktu DAN 3) ketika varians kesalahan dari model arima memiliki varians konstan dari waktu ke waktu. Kapan ketiga hal ini berlaku .... di sebagian besar set data buku teks menyajikan kemudahan pemodelan arima. Kapan 1 atau lebih dari 3 tidak tahan .... di setiap set data dunia nyata yang pernah saya lihat. Jawaban sederhana untuk pertanyaan Anda memerlukan akses ke fakta asli (data historis) bukan informasi deskriptif sekunder di plot Anda. Tapi ini hanya pendapat saya!

DIedit SETELAH PENERIMAAN DATA:

Saya sedang berlibur di Yunani (sebenarnya melakukan sesuatu selain analisis deret waktu) dan tidak dapat menganalisis SUICIDE DATA tetapi dalam hubungannya dengan posting ini. Sekarang sudah tepat dan benar bahwa saya menyerahkan analisis untuk menindaklanjuti / membuktikan dengan contoh komentar saya tentang strategi identifikasi model multi-tahap dan kegagalan analisis visual sederhana dari plot korelasi sederhana sebagai "buktinya ada di puding".

Berikut adalah ACF dari data asli The PACF dari seri asli . AUTOBOX http://www.autobox.com/cms/ perangkat lunak yang saya bantu kembangkan menggunakan heuristik untuk mengidentifikasi model awal. Dalam hal ini ditemukan model yang diidentifikasi awalnya . Pemeriksaan diagnostik residu dari model ini menyarankan beberapa model augmentasi menggunakan pergeseran level, pulsa dan pulsa musiman. Perhatikan bahwa Level Shift terdeteksi pada atau sekitar periode 164 yang hampir identik dengan kesimpulan sebelumnya tentang periode 176 dari @forecaster. Semua jalan tidak mengarah ke Roma tetapi beberapa bisa membuat Anda dekat!. Pengujian untuk parameter konstan menolak perubahan parameter dari waktu ke waktu. Memeriksa perubahan deterministik dalam varian kesalahan menyimpulkan bahwa tidak ada perubahan deterministik terdeteksi dalam varian kesalahan. . Tes Box-Cox untuk kebutuhan transformasi daya adalah positif dengan kesimpulan bahwa transformasi logaritmik diperlukan. . Model terakhir ada di sini . Sisa dari model akhir tampaknya bebas dari autokorelasi apa pun . Plot residual model akhir tampaknya bebas dari Pelanggaran Gaussian . Plot Aktual / Fit / Prakiraan ada di sini dengan perkiraan di sini

Interpretasi dari ACF dan PACF

Peluruhan lambat fungsi autokorelasi menunjukkan data mengikuti proses memori panjang. Durasi guncangan relatif persisten dan memengaruhi data beberapa pengamatan di depan. Ini mungkin tercermin oleh pola tren yang halus dalam data.

ACF dan PACF dari pesanan 12 berada di luar batas kepercayaan yang signifikan. Namun, ini tidak selalu berarti adanya pola musiman yang dapat diidentifikasi. ACF dan PACF dari pesanan musiman lainnya (24, 36, 48, 60) termasuk dalam kelompok kepercayaan. Dari grafik, tidak mungkin untuk menyimpulkan apakah signifikansi ACF dan PACF pesanan 12 adalah karena fluktuasi musiman atau sementara.

Kegigihan ACF yang disebutkan sebelumnya menunjukkan bahwa perbedaan pertama mungkin diperlukan untuk membuat data stasioner. Namun, ACF / PACF dari seri yang dibedakan terlihat mencurigakan, korelasi negatif mungkin disebabkan oleh filter pembeda dan mungkin sebenarnya tidak sesuai. Lihat posting ini untuk beberapa detail.

Tentukan apakah ada musim

Analisis ACF dan PACF harus dilengkapi dengan alat-alat lain, misalnya:

• Spectrum (pandangan ke ACF dalam domain frekuensi), dapat mengungkapkan periodisitas siklus yang menjelaskan sebagian besar variabilitas dalam data.
• Sesuaikan model deret waktu struktural dasar dan periksa apakah varians komponen musiman mendekati nol relatif terhadap parameter lainnya (dalam fungsi R stats::StructTSdan paket stsm ).
• Tes untuk musiman, berdasarkan pada boneka musiman, siklus musiman atau yang dijelaskan dan diimplementasikan dalam X-12 .
• Memeriksa keberadaan pulsa dan pergeseran level sebagaimana disebutkan oleh IrishStat juga diperlukan karena mereka dapat mengubah kesimpulan dari metode sebelumnya (dalam R paket tsoutliers dapat berguna untuk tujuan ini).