कैसे इन acf और pacf भूखंडों की व्याख्या करने के लिए

Question

निम्नलिखित मासिक डेटा श्रृंखला के एसीएफ और पीएसीएफ प्लॉट हैं। दूसरा प्लॉट ci.type = 'ma' के साथ acf है:

Acf प्लॉट में उच्च मूल्यों की दृढ़ता शायद एक दीर्घकालिक सकारात्मक प्रवृत्ति का प्रतिनिधित्व करती है। सवाल यह है कि क्या यह मौसमी बदलाव का प्रतिनिधित्व करता है?

मैंने इस विषय पर विभिन्न साइटों को देखने की कोशिश की, लेकिन मुझे यकीन नहीं है कि ये भूखंड मौसमी दिखाते हैं।

एसीएफ और पीएसीएफ प्लॉट विश्लेषण

ACF- और PACF- भूखंडों की व्याख्या करने में सहायता करें

एसीएफ की निम्नलिखित तस्वीर को समझने में मदद करें

आटोक्लेररेशन और आंशिक ऑटोकॉरेलेशन व्याख्या

संपादित करें: निम्नलिखित 60 तक अंतराल के लिए ग्राफ है:

निम्नलिखित भूखंडों के अंतर (my_series) हैं:

और लैग 60 तक:

संपादित करें: यह डेटा इस से है: क्या यह सुसाइड काउंट डेटा में मौसमी प्रभावों के परीक्षण के लिए एक उपयुक्त तरीका है? यहाँ योगदानकर्ताओं ने मूल या विभेदित श्रृंखला के अकफ और पीएसीएफ प्लॉट पर विचार करने लायक नहीं माना (इसलिए यह महत्वपूर्ण नहीं होना चाहिए)। अवशिष्टों के केवल acf / pacf भूखंडों को कुछ स्थानों पर संदर्भित किया गया था।

Comments

क्या आप अपने डेटा (जैसे, एक मूल प्लॉट) के बारे में कुछ जोड़ सकते हैं? तुमने कुछ भी कोशिश की stl()?

— गूँग - मोनिका

मैं यह समझने की कोशिश कर रहा हूं कि एसीएफ और पीएसीएफ भूखंडों से मौसम का निर्धारण कैसे किया जाए। क्या इसके लिए मूल कथानक या stl की समीक्षा आवश्यक है? क्या हम इन भूखंडों से कुछ निर्धारित नहीं कर सकते हैं?

— rnso

यह अच्छा रहेगा। स्पष्टता के लिए, आपका प्रश्न वास्तव में w / आपके डेटा पर क्या हो रहा है, इस बारे में नहीं है, लेकिन अलगाव में इन भूखंडों से क्या समझा जा सकता है, क्या यह सही है?

— गूँग - मोनिका

हाँ। मुझे अक्सर यह निर्धारित करने की आवश्यकता होती है कि मेरे डेटा में मौसमी मौजूद है या नहीं, इसलिए मैं यह समझना चाहता हूं कि मैं एसीएफ और पैकोस प्लॉट से क्या जानकारी प्राप्त कर सकता हूं। Stl फ़ंक्शन के भूखंडों को समझना आसान है, लेकिन इन भूखंडों को नहीं।

— rnso

आपके डेटा में वास्तव में कुछ मौसम है। कृपया मेरी प्रतिक्रिया @javlacalle देखें।

— आयरिशस्टैट

Answer 1

भूखंडों को देखने के लिए अनुमान लगाने के लिए कि अनुमान लगाए गए मॉडल में डेटा कबूल करने की कोशिश करता है जब 1: अच्छी तरह से काम नहीं करता है / डेटा / 2 / स्तर शिफ्ट, स्थानीय समय के रुझान और डेटा और 2 में कोई मौसमी निर्धारक दालें नहीं होती हैं जब arima मॉडल होता है। समय और 3 पर निरंतर पैरामीटर) जब एरिमा मॉडल से त्रुटि विचरण समय के साथ निरंतर विचरण होता है। ये तीन चीजें कब पकड़ती हैं .... अधिकांश पाठ्यपुस्तक के आंकड़ों में अरिमा मॉडलिंग की आसानी पेश करती है। जब 1 या 3 में से अधिक नहीं पकड़ते हैं .... हर वास्तविक विश्व डेटा सेट में जो मैंने कभी देखा है। आपके प्रश्न का सरल उत्तर मूल तथ्यों (ऐतिहासिक डेटा) तक पहुंच की आवश्यकता है न कि आपके भूखंडों में द्वितीयक वर्णनात्मक जानकारी। लेकिन यह सिर्फ मेरी राय है!

डेटा के रिकॉर्ड के बाद:

मैं एक ग्रीक छुट्टी पर था (वास्तव में समय श्रृंखला विश्लेषण के अलावा कुछ कर रहा था) और SUICIDE डेटा का विश्लेषण करने में असमर्थ था लेकिन इस पोस्ट के साथ संयोजन के रूप में। यह अब उचित और सही है कि मैं बहु-मंच मॉडल पहचान रणनीतियों और सरल सहसंबंध भूखंडों के सरल दृश्य विश्लेषण की विफलताओं के बारे में उदाहरण के लिए मेरी टिप्पणियों का पालन / सिद्ध करने के लिए एक विश्लेषण प्रस्तुत करता हूं "सबूत पुडिंग में है"।

यहाँ मूल श्रृंखला का PACF मूल डेटा का ACF है । AUTOBOX http://www.autobox.com/cms/ एक सॉफ्टवेयर का एक टुकड़ा जो मैंने एक शुरुआती मॉडल की पहचान करने के लिए विकसित आंकड़ों का उपयोग करने में मदद की है इस मामले में शुरू में पहचाना गया मॉडल पाया गया था । इस मॉडल से प्राप्त अवशेषों की नैदानिक ​​जाँच ने कुछ मॉडल वृद्धि का सुझाव दिया जिसमें एक स्तर की शिफ्ट, दालों और एक मौसमी पल्स नोट का उपयोग किया गया है जो कि स्तर शिफ्ट का पता 164 या उससे अधिक अवधि के बारे में है जो कि @forecaster से 176 के बारे में पहले के निष्कर्ष के समान है। सभी सड़कें रोम की ओर नहीं जाती हैं, लेकिन कुछ आपको पास ला सकती हैं!। समय के साथ पैरामीटर में बदलाव के कारण पैरामीटर की कमी के लिए परीक्षण किया गया। त्रुटि विचरण में नियतात्मक परिवर्तनों की जाँच करने पर निष्कर्ष निकाला गया कि त्रुटि विचरण में कोई नियतात्मक परिवर्तन नहीं पाया गया। । एक शक्ति परिवर्तन की आवश्यकता के लिए बॉक्स-कॉक्स परीक्षण इस निष्कर्ष के साथ सकारात्मक था कि एक लघुगणक परिवर्तन आवश्यक था। । अंतिम मॉडल यहाँ है । अंतिम मॉडल से प्राप्त अवशेष किसी भी स्वायत्तता से मुक्त प्रतीत होते हैं । अंतिम मॉडल के अवशेषों की साजिश किसी भी गौसियन उल्लंघन से मुक्त प्रतीत होती है । वास्तविक / फ़िट / पूर्वानुमान की साजिश यहाँ पूर्वानुमान के साथ है

Comments

आपके उत्तर के लिए धन्यवाद। क्या ये धारणाएँ वास्तविक दुनिया के आंकड़ों में इतनी महत्वपूर्ण और हमेशा इतनी अधिक प्रवाहित होती हैं कि एकांत में pacf और pacf भूखंडों की व्याख्या कभी नहीं की जा सकती है?

— rnso

मुझे यह कहने से कभी भी नफरत नहीं है कि मैंने जो धारणाएं बनाई हैं उनका उल्लंघन करने पर दृश्य पहचान प्रक्रिया को गंभीर रूप से उलझा दिया जाएगा। आपका डेटा स्पष्ट रूप से (मेरी पुरानी आंखों के लिए) इसका एक उदाहरण है। अवशिष्ट डायग्नोस्टिक्स पर आधारित एक प्रारंभिक मॉडल की पहचान करना, अनुमान लगाना और पुन: पहचान करना एक बहु-चरणीय प्रक्रिया है न कि तुच्छ मामलों में EXCEPT।

— आयरिशस्टैट

मेरे मित्र का अनुसरण करने के लिए आँकड़े .stackexchange.com / users / 48766 / javlacalle : दालों और स्तर की शिफ्टों और मौसमी दालों और स्थानीय समय की प्रवृत्तियों और त्रुटि भिन्नता की उपस्थिति की जाँच भी आवश्यक है।

— आयरिशस्टैट

(+1) डेटा का अच्छा विश्लेषण। हालांकि, मूल प्रश्न के बारे में क्या? क्या मौसमीता को आंकड़ों में पहचाना जा सकता है? शायद यह आपके द्वारा दिखाए जाने वाले आउटपुट से अनुमान लगाया जा सकता है, लेकिन मैं इसका पता नहीं लगा सका।

— javlacalle

मौसमी ARIMA मॉडल में AR (12) अवधि में और मौसमी नाड़ी 98 (2003/2) की अवधि में मौजूद है

— आयरिशस्टैट

Answer 2

एसीएफ और पीएसीएफ की व्याख्या

ऑटोकैरेलेशन फ़ंक्शन के धीमे क्षय से पता चलता है कि डेटा लंबी मेमोरी प्रक्रिया का पालन करता है। झटके की अवधि अपेक्षाकृत लगातार होती है और डेटा को कई टिप्पणियों से आगे प्रभावित करती है। यह संभवतः डेटा में एक चिकनी ट्रेंडिंग पैटर्न द्वारा परिलक्षित होता है।

आदेश 12 के ACF और PACF महत्व विश्वास बैंड से परे हैं। हालांकि, यह जरूरी नहीं कि पहचान योग्य मौसमी पैटर्न की उपस्थिति है। अन्य मौसमी आदेशों के एसीएफ और पीएसीएफ (24, 36, 48, 60) विश्वास बैंड के भीतर हैं। ग्राफिक से, यह निष्कर्ष निकालना संभव नहीं है कि क्या ऑर्डर 12 के एसीएफ और पीएसीएफ का महत्व मौसमी या क्षणिक उतार-चढ़ाव के कारण है।

पहले वर्णित ACF की दृढ़ता बताती है कि डेटा स्टेशनरी को रेंडर करने के लिए पहले अंतर की आवश्यकता हो सकती है। हालांकि, विभेदित श्रृंखला के ACF / PACF संदिग्ध दिखते हैं, नकारात्मक सहसंबंध अलग-अलग फ़िल्टर द्वारा प्रेरित किया गया हो सकता है और वास्तव में उपयुक्त नहीं हो सकता है। देखें इस पोस्ट में कुछ जानकारी के लिए।

निर्धारित करें कि क्या मौसमी मौजूद है

ACF और PACF के विश्लेषण को अन्य उपकरणों के साथ पूरक किया जाना चाहिए, उदाहरण के लिए:

• स्पेक्ट्रम (आवृत्ति डोमेन में ACF के लिए एक दृश्य), चक्र की आवधिकता को प्रकट कर सकता है जो डेटा में अधिकांश परिवर्तनशीलता की व्याख्या करता है।
• बुनियादी संरचनात्मक समय श्रृंखला मॉडल को फिट करें और जांचें कि क्या मौसमी घटक का विचरण अन्य मापदंडों (आर फ़ंक्शन stats::StructTSऔर पैकेज stsm में ) के मुकाबले अपेक्षाकृत शून्य है ।
• मौसमी डमी, मौसमी चक्र या एक्स -12 में वर्णित और कार्यान्वित किए गए मौसमी के आधार पर परीक्षण ।
• आयरिशस्टैट द्वारा उल्लिखित दालों और स्तरीय पारियों की उपस्थिति के लिए जाँच भी आवश्यक है क्योंकि वे पिछले तरीकों से निष्कर्षों को विकृत कर सकते हैं (आर पैकेज tsoutliers इस अंत के लिए उपयोगी हो सकते हैं)।

Comments

मैंने लैग 60 तक की साजिश को जोड़ा है। "विभेदित श्रृंखला" प्राप्त करने के लिए आर कमांड क्या होगा? मैं अंतर (my_series) के लिए भूखंडों को जोड़ूंगा।

— rnso

@ इसके अलावा मैंने अपने पिछले उत्तर में बड़े बदलाव किए हैं। विभेदित श्रृंखला के लिए कमांड वह फ़ंक्शन है diffजिसका आपने उपयोग किया था।

— javlacalle

javlacalle - दो समान पैराग्राफ थे और @rnso ने एक को हटाकर मदद करने का प्रयास किया। मैंने वह निकाल दिया है जो मुझे लगता है कि वह है जिसे आप बदलना चाहते थे। क्या आप जाँच सकते हैं कि सही पैराग्राफ हटा दिया गया था?

— Glen_b -Reinstate Monica

@Glen_b संपादन के लिए धन्यवाद, मैंने कुछ बदलाव किए हैं।

— javlacalle

@ javlacalle, @IrishStat: कृपया मेरे प्रश्न के मूल डेटा में संपादन देखें।

— rnso