Zrozumienie niebieskich kropkowanych linii w ACF od R.

10

Mam trochę problemów ze zrozumieniem niebieskich kropkowanych linii na poniższym obrazie funkcji autokorelacji: wprowadź opis zdjęcia tutaj

Czy ktoś mógłby mi wyjaśnić, co mi mówi?

r time-series autocorrelation

— jjepsuomi
źródło

13

Linie podają wartości, powyżej których autokorelacje są (statystycznie) znacząco różne od zera. Twój ACF wydaje się wskazywać na sezonowość. Polecam Prognozowanie: zasady i praktyka Hyndman & Athanasopoulos , które jest bezpłatnie dostępne online. (Możesz także kupić wersję papierową.)

— Stephan Kolassa
źródło

1

@pidosaurus: Dobra uwaga, powinienem był zwrócić uwagę na tytuł książki. Zmodyfikowałem swoją odpowiedź, aby ją uwzględnić. Cała strona internetowa otexts.com wydaje się nie działać. Sprawdź ponownie później - książka była online zaledwie dzień temu i wiem, że autorzy pracują nad drugim wydaniem, więc jestem pewien, że wróci - i książka jest naprawdę wysoce zalecana.

— Stephan Kolassa

@pidosaurus: dzięki za złapanie i edycję tego! Wygląda na to, że popełniłem błąd podczas wpisywania adresu URL. (Zastanawiam się, jak dostałem sześć pozytywnych opinii, zanim ktoś zauważył ...)

— Stephan Kolassa

1

Zobacz to pytanie, aby uzyskać szczegółowe informacje na temat faktycznego obliczania przedziału ufności.

— Candamir,

5

Wygląda jak sezonowość (o długości 18 okresów) i dłuższy cykliczny okres około 6 okresów sezonowych.

Może to być również spowodowane faktyczną funkcją okresową

Jak wygląda PACF lub IACF?

Edycja: Wykres wygląda na wygenerowany w R; niebieskie przerywane linie reprezentują przybliżony przedział ufności dla tego, co jest wytwarzane przez biały szum, domyślnie przedział 95%

— Glen_b - Przywróć Monikę
źródło

Wziąłem zdjęcie z książki i nie podano PACF ... ale interesuje mnie tylko niebieska kropkowana linia :) Dziękuję

— jjepsuomi

1

Możesz uzyskać (trochę) więcej informacji z pomocy dla funkcji plot.acfpod hasłami dla rzeczy z ciich nazwami w Argumentach , a także z całej sekcji Notatka - znajdź tę stronę pomocy tutaj

— Glen_b

1

Mówią ci, czy korelacja przy tym opóźnieniu jest znacząca. Wyobraź sobie, że jeśli wszystkie próbki są niezależne w szeregu czasowym (co jest hipotezą zerową), korelacja dla tego opóźnienia zostanie obliczona jako

$var( Corr(x, y) ) = var( \frac{Cov(x, y)}{\sigma_x * \sigma_y} ) = var( \frac{\mu_{xy}- \mu_x * \mu_y}{\sigma_x * \sigma_y} ) = var( \frac{\mu_{xy}}{\sigma_x * \sigma_y} ) = \frac{ (\mu_x^2 + \sigma_x^2)*(\mu_y^2 + \sigma_y^2) - \mu_x^2 * \mu_y^2}{n * \sigma_x^2 * \sigma_y^2}$

$x$ $y$ $var( Corr(x, y) ) = 1/n$

Zatem jeśli szukasz 95% przedziału ufności, masz [-1,96 / \ sqrt {n}, + 1,96 / \ sqrt {n}].

— Sheng
źródło