एसीएफ और पीएसीएफ भूखंडों की व्याख्या कैसे करें

Question

मैं सिर्फ यह जांचना चाहता हूं कि मैं एसीएफ और पीएसीएफ प्लॉटों की सही ढंग से व्याख्या कर रहा हूं:

डेटा वास्तविक डेटा बिंदुओं और एआर (1) मॉडल का उपयोग करके उत्पन्न अनुमानों के बीच उत्पन्न त्रुटियों से मेल खाती है।

मैंने यहाँ जवाब देखा है:

ACF और PACF निरीक्षण के माध्यम से ARMA गुणांक का अनुमान लगाएं

यह पढ़ने के बाद कि ऐसा लगता है कि त्रुटियां स्वतःसंबंधित नहीं हैं, लेकिन मैं सिर्फ यह सुनिश्चित करना चाहता हूं, मेरी चिंताएं हैं:

1.) पहली त्रुटि सीमा पर सही है (जब यह मामला है तो मुझे स्वीकार करना चाहिए या अस्वीकार करना चाहिए कि लैग 1 में महत्वपूर्ण ऑटो-सहसंबंध है)?

2.) लाइनें 95% आत्मविश्वास अंतराल का प्रतिनिधित्व करती हैं और यह देखते हुए कि 116 लैग हैं मैं अपेक्षा नहीं करता कि (0.05 * 116 = 5.8 जो मैं 6 तक गोल करता हूं) 6 लैग्स सीमा से अधिक हो। एसीएफ के लिए यह मामला है लेकिन पीएसीएफ के लिए लगभग 10 अपवाद हैं। यदि आप इसे 14 की तरह सीमा पर शामिल करते हैं? क्या यह अभी भी कोई ऑटो-सहसंबंध नहीं दर्शाता है?

3.) क्या मुझे इस तथ्य पर कुछ भी पढ़ना चाहिए कि 95% विश्वास अंतराल के सभी उल्लंघनों में गिरावट होती है?

Answer 1

आपके द्वारा दिखाए जाने वाले भूखंडों में कोई स्पष्ट संरचना नहीं है।

बैंड के बाहर झूठ बोलने वाले उन नकारात्मक आंशिक autocorrelations का अंतराल क्रम एक दूसरे के कई नहीं हैं (वे लैग, 22, 56, 62, 78, 94) हैं, यानी, उदाहरण के लिए लैग्स की नियमित संख्या के बाद वे उत्पन्न नहीं होते हैं जैसे कि 12 , 24, 36, 48, इसलिए मैं प्लॉट से उस पर आधारित किसी भी पैटर्न का अनुमान नहीं लगाऊंगा।

एक पूरक के रूप में आप एक रन टेस्ट लागू कर सकते हैं , जो स्वतंत्रता के लिए एक परीक्षण है जो सकारात्मक या नकारात्मक मूल्यों के रनों को पकड़ने के लिए उपयोगी हो सकता है, जो डेटा में कुछ पैटर्न का सुझाव देगा।

जैसा कि मैंने देखा है कि कुछ आत्मकथाओं के महत्व के संबंध में वे बड़े आदेशों पर उठते हैं। आपको यह सोचना चाहिए कि क्या उन ऑटोकारोलेशन का कोई मतलब है या आपके डेटा के संदर्भ में उम्मीद की जा सकती है। क्या यह उम्मीद करना समझदारी है कि पहले देखी गई 56 टिप्पणियों का मूल्य वर्तमान अवलोकन को प्रभावित करेगा? यदि हमारे पास त्रैमासिक डेटा था, तो यह लैग्स 8 और 12 में महत्वपूर्ण सहसंबंध का निरीक्षण करने के लायक होगा क्योंकि वे डेटा की आवधिकता के गुणक हैं और कुछ मौसमी पैटर्न को प्रतिबिंबित कर सकते हैं जिन्हें हम डेटा के संदर्भ में समझा सकते हैं। लेकिन मुझे इस बात की चिंता नहीं होगी कि अगर महत्वपूर्ण लैग 9, 11 या उससे अधिक लैग पर उत्पन्न हुए, जिसके लिए मेरे पास एक स्पष्टीकरण नहीं था जो इसे एक नियमित पैटर्न के रूप में उचित ठहराएगा।

Answer 2

अवशेषों के कोरलोग्राम परीक्षा (वास्तविक डेटा बिंदु और अनुमानों के बीच का अंतर) को यह जांचने के लिए किया जाता है कि क्या डेटा के बारे में कोई महत्वपूर्ण पैटर्न ARIMA मॉडल में नहीं छोड़ा गया है। यदि सभी जानकारी पर कब्जा कर लिया गया है, तो एसीएफ और पीएसीएफ भूखंडों को सफेद शोर जैसा दिखना चाहिए।

यदि कोई दृश्य परीक्षा आत्मविश्वास से समान मानने में मदद नहीं करती है, तो आप अवशेषों पर बॉक्स-लजंग परीक्षण चलाने की कोशिश कर सकते हैं।

एक बॉक्स-लजंग परीक्षण के लिए इस परिदृश्य में अशक्त परिकल्पना यह होगी कि अवशिष्ट सफेद शोर से अलग नहीं हैं।

R में परीक्षण चलाने के लिए निम्नलिखित कोड है:

Box.test(residuals, lag = 28, fitdf = 5, type = "Ljung")

लैग वैल्यू को सेट किया गया है जो लैग ऑटोकैरेलेशन गुणांक की संख्या के आधार पर निर्धारित किया गया है और फिटफेड को घटाए जाने वाले फ्रीडम की डिग्री की संख्या है। ARIMA (p, d, q) (P, D, Q) m के लिए, मैं आमतौर पर fitdf = (p + q + P + Q) सेट करता हूं।

यदि एक बॉक्स-लजुंग परीक्षण एक बड़ा पी-मान लौटाता है, तो यह बताता है कि अवशिष्टों के पास कोई ऑटोकॉर्लेशन नहीं है, यानी वे सफेद शोर से मिलते-जुलते हैं।