Как интерпретировать эти графики acf и pacf

Ниже приведены графики acf и pacf ежемесячного ряда данных. Второй график - это acf с ci.type = 'ma':

Сохранение высоких значений на графике acf, вероятно, представляет долгосрочную положительную тенденцию. Вопрос в том, представляют ли это сезонные колебания?

Я пытался увидеть разные сайты на эту тему, но я не уверен, что эти графики показывают сезонность.

Анализ участков ACF и PACF

Помогите интерпретировать ACF- и PACF-графики

Помогите понять следующую картину ACF

Автокорреляционная и частичная автокорреляционная интерпретация

Изменить: следующий график для отставания до 60:

Ниже приведены графики diff (my_series):

И до отставания 60:

Изменить: Эти данные из: Является ли это подходящим методом для проверки сезонных эффектов в данных подсчета самоубийств? Здесь авторы не посчитали заслуживающими упоминания сюжеты оригинальных или разностных серий acf и pacf (поэтому это не должно быть важно). Только acf / pacf графики остатков были упомянуты в нескольких местах.

просмотр графиков для того, чтобы попытаться объединить данные в предполагаемую модель аримы, работает хорошо, когда 1: в данных отсутствуют выбросы / импульсы / сдвиги уровней, локальные тренды времени и сезонные детерминированные импульсы И 2) когда модель аримы имеет постоянные параметры во времени И 3) когда отклонение ошибки от модели арима имеет постоянное отклонение во времени. Когда эти три вещи имеют место ... в большинстве наборов данных учебника, представляющих легкость моделирования аримы. Когда 1 или более из 3 не держатся .... в каждом наборе данных реального мира, который я когда-либо видел. Простой ответ на ваш вопрос требует доступа к исходным фактам (историческим данным), а не к дополнительной описательной информации на ваших графиках. Но это только мое мнение!

ИЗДАНО ПОСЛЕ ПОЛУЧЕНИЯ ДАННЫХ:

Я был в греческом отпуске (на самом деле занимался чем-то другим, кроме анализа временных рядов) и не смог проанализировать ДАННЫЕ О самоубийстве, но вместе с этим постом. Теперь уместно и правильно, что я представляю анализ, чтобы проконтролировать / подтвердить на примере мои комментарии о многоэтапных стратегиях идентификации моделей и неудачах простого визуального анализа простых корреляционных графиков как «доказательство в пудинге».

Вот ACF оригинальных данных PACF оригинальной серии . AUTOBOX http://www.autobox.com/cms/ В программном обеспечении, которое я разработал, используется эвристика для определения исходной модели. В этом случае первоначально идентифицированная модель была найдена . Диагностическая проверка остатков этой модели позволила предположить некоторое увеличение модели с использованием сдвига уровня, импульсов и сезонного импульса. Обратите внимание, что сдвиг уровня обнаруживается в периоде 164 или около него, что почти идентично более раннему заключению о периоде 176 из @forecaster. Все дороги не ведут в Рим, но некоторые могут приблизить вас!, Проверка на постоянство параметров отклоняла изменения параметров во времени. Проверка на детерминированные изменения в дисперсии ошибок пришла к выводу, что детерминированные изменения не были обнаружены в дисперсии ошибок. , Тест Бокса-Кокса на необходимость преобразования мощности был положительным, и был сделан вывод о необходимости логарифмического преобразования. , Окончательная модель здесь . Остатки от окончательной модели, кажется, свободны от какой-либо автокорреляции . График остатков окончательных моделей, по-видимому, свободен от любых гауссовых нарушений . Сюжет Actual / Fit / Forecasts здесь с прогнозами здесь

Интерпретация ACF и PACF

Медленное затухание функции автокорреляции предполагает, что данные следуют процессу с долгой памятью. Продолжительность шоков относительно постоянна и влияет на данные нескольких наблюдений впереди. Это, вероятно, отражается в плавной тенденции тенденции в данных.

ACF и PACF порядка 12 выходят за пределы достоверности значимости. Однако это не обязательно означает наличие идентифицируемой сезонной модели. ACF и PACF других сезонных заказов (24, 36, 48, 60) находятся в пределах доверительных интервалов. Из графика невозможно сделать вывод о том, является ли значение ACF и PACF порядка 12 обусловлено сезонностью или временными колебаниями.

Постоянство ACF, упомянутого ранее, предполагает, что могут потребоваться первые различия, чтобы сделать данные стационарными. Тем не менее, ACF / PACF разностного ряда выглядят подозрительно, разностный фильтр может вызывать отрицательную корреляцию и может не соответствовать действительности. Смотрите этот пост для некоторых деталей.

Определите, присутствует ли сезонность

Анализ ACF и PACF должен быть дополнен другими инструментами, например:

• Спектр (вид АКФ в частотной области) может выявить периодичность циклов, которые объясняют большую часть изменчивости данных.
• Установите базовую модель структурного временного ряда и проверьте, близка ли дисперсия сезонного компонента к нулю относительно других параметров (в функции R stats::StructTSи пакете STSM ).
• Тесты на сезонность, основанные на сезонных манекенах, сезонных циклах или описанных и реализованных в X-12 .
• Проверка на наличие импульсов и сдвигов уровней, как упомянуто IrishStat, также необходима, поскольку они могут исказить выводы из предыдущих методов (в R пакетные значения могут быть полезны для этой цели).