Cytaty pochodzą z linku w PO:
Identyfikację modelu AR najlepiej często przeprowadzić za pomocą PACF.
W przypadku modelu AR teoretyczny PACF „wyłącza się” poza kolejnością modelu. Wyrażenie „odcina się” oznacza, że teoretycznie częściowa autokorelacja jest równa 0 powyżej tego punktu. Innymi słowy, liczba niezerowych częściowych autokorelacji określa kolejność modelu AR. Przez „kolejność modelu” rozumiemy najbardziej ekstremalne opóźnienie x, które jest używane jako predyktor.
... O rzędu autoregresji napisanej jak Ar (k) jest wielokrotnej regresji liniowej, w której wartość serii w dowolnym czasie t jest (liniowy) funkcją wartości niekiedy T - 1 , T - 2 , … , T - k :ktht - 1 , t - 2 , … , t - k :
yt= β0+ β1yt - 1+ β2)yt - 2+ ⋯ + β2)yt - k+ ϵt.
To równanie wygląda jak model regresji, jak wskazano na połączonej stronie ... Więc jaka jest możliwa intuicja tego, co robimy ...
W chińskich szeptach lub w grze telefonicznej, jak pokazano tutaj
wiadomość ulega zniekształceniu, gdy jest szeptana od osoby do osoby, a wszelkie ślady podobieństwa (wszelkie prawdziwe słowa, jeśli wolisz) są tracone po czerwonym uczestniku (z wyjątkiem artykułu „a”). PACF powiedziałby nam, że współczynniki dla niebieskiego i żółtego uczestnika nie mają znaczenia, po uwzględnieniu efektu brązowego i czerwonego uczestnika (zielony uczestnik na końcu linii nie zniekształca komunikatu).
Nie jest trudno zbliżyć się do rzeczywistego wyniku funkcji R przez faktyczne uzyskanie kolejnych regresji OLS poprzez pochodzenie dalszych opóźnionych sekwencji i zebranie współczynników w wektorze. Schematycznie
bardzo podobny proces do gry telefonicznej - nadejdzie moment, w którym nie będzie żadnej zmienności sygnału rzeczywistego początkowego szeregu czasowego znalezionego w coraz bardziej odległych fragmentach samego siebie.
Identyfikacja modelu MA jest często najlepiej przeprowadzana za pomocą ACF, a nie PACF .
W przypadku modelu MA teoretyczny PACF nie wyłącza się, ale w pewnym stopniu zwęża się w kierunku 0. Bardziej wyraźny wzór dla modelu MA znajduje się w ACF. ACF będzie miał niezerowe autokorelacje tylko w opóźnieniach związanych z modelem.
Pojęcie średniej ruchomej w modelu szeregów czasowych jest błędem z przeszłości (pomnożonym przez współczynnik).
qth
xt= μ + wt+ θ1wt - 1+ θ2)wt - 2+ ⋯ + θqwt - q
wt∼I I dN.( 0 , σ2)w) .
Tutaj nie chodzi o podobieństwo wiadomości w punktach czasowych, które jest przeszukiwane krok po kroku wstecz, lecz raczej wkład hałasu, który wyobrażam sobie jako często ogromne odchylenia, które losowy spacer może prowadzić wzdłuż linii czasu:
Istnieje wiele, stopniowo odseparowanych sekwencji, które są skorelowane, odrzucając jakikolwiek wkład etapów pośrednich. Byłby to wykres zaangażowanych operacji:
Pod tym względem „CV jest fajne!” nie różni się całkowicie od „Naomi ma basen”. Z punktu widzenia hałasu rymy są tam aż do początku gry.