ДалееСледующее руководство
Кластеризация DBSCAN
Технический
Техническое РУКОВОДСТВО
Автокорреляция измеряет линейную связь между временным рядом и его версиями с задержкой, а ACF отображает ее с учетом задержек.
Прослушайте это руководствоОзвучено ИИ · ~3 min
PACF измеряет связь с задержкой после учета более коротких задержек, помогая описать временную структуру и предложить порядки AR или MA наряду с другими диагностическими методами.
Автокорреляционная функция с задержкой k представляет собой корреляцию между наблюдениями, разделенными k временными шагами. Пример графика ACF показывает расчетные корреляции для набора задержек, часто с доверительными интервалами при эталонном белом шуме. Устойчивые положительные значения могут иметь тенденцию или медленное затухание; чередующиеся модели могут указывать на колебательное поведение; регулярно повторяющиеся пики могут указывать на сезонность. Эти формы являются подсказками, а не детерминированными сигнатурами. Частичная автокорреляция при задержке k измеряет связь между y_t и y_(t-k) после учета линейных эффектов промежуточных задержек с 1 по k-1. В авторегрессионном процессе PACF может помочь определить вероятный порядок; Для поведения скользящего среднего шаблоны ACF могут помочь предложить возможные значения q. Классические правила, такие как «отсечение» и «распад», являются идеализированными ориентирами. Конечные выборки, смешанная динамика, сезонные эффекты и нестационарность могут размыть закономерности. Предположим, что ежемесячные данные показывают всплески АКФ в лагах 12, 24 и 36. Это свидетельствует о повторяющейся годовой зависимости, но следует также проверить сезонные графики и сравнить сезонные модели. Если в ряду есть тенденция, высокий ACF во многих лагах может отражать тенденцию, а не зависимость от короткой памяти. Перед идентификацией заказа можно рассмотреть возможность дифференциации или устранения тренда, стараясь избежать чрезмерного преобразования. Доверительные интервалы являются приблизительными и включают в себя множество запаздывающих сравнений; отдельные спайки могут возникнуть случайно. Оценки ACF/PACF также зависят от размера выборки и выбора оценщика. Используйте графики, чтобы предложить небольшой набор моделей, затем изучите остаточную автокорреляцию и проверку прогнозов с упорядочением по времени. Хорошо подобранная модель должна оставлять остатки без важной систематической линейной зависимости, хотя некоррелированные остатки не гарантируют правильность каждого предположения или прогноза. Сообщайте о преобразовании ряда, диапазоне задержки и стадии модели, представленных на каждом графике, чтобы читатель знал, диагностирует ли график необработанные данные или остатки.
Гипотетический дневной ряд имеет большую АКФ при лаге 1 и постепенное затухание. Эта закономерность предполагает постоянную зависимость, но ее могут также создавать тенденции или сезонность, и их следует учитывать в первую очередь.
Ежемесячный ряд повторяет всплески АКФ с лагами 12, 24 и 36. Эта закономерность согласуется с годовой сезонностью в ежемесячных наблюдениях, хотя сама по себе она не указывает на правильную сезонную модель.
Аналитик исследует PACF с несколькими заметными задержками на ранних этапах, за которыми следуют меньшие значения при рассмотрении порядка авторегрессии. Неопределенность выборки и остатки модели по-прежнему имеют значение.
После подбора модели-кандидата ARIMA прогнозист проверяет остаточную ACF на наличие оставшейся серийной структуры, а не использует ACF исходного ряда в качестве окончательного теста на соответствие.
Графики ACF и PACF можно сделать более информативными, пометив, показывают ли они необработанные, разностные или модельно-остаточные данные, а также отобразив лаговые единицы и метод приближенной неопределенности. Аналитики могут сочетать визуальные шаблоны с проверкой модели-кандидата, а не рассматривать пики как автоматический выбор ордеров. Для сезонных данных тщательно проверьте соответствующие задержки цикла. Когда частота данных меняется, интерпретация задержки также меняется. Воспроизводимый отчет сохраняет окно выборки и обработку пропущенных значений, помогая последующим читателям судить, отражает ли кажущаяся зависимость реальный временной процесс или выбор построения графика и предварительной обработки.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Автокорреляция измеряет линейную связь между временным рядом и его версиями с задержкой, а ACF отображает ее с учетом задержек. PACF измеряет связь с задержкой после учета более коротких задержек, помогая описать временную структуру и предложить порядки AR или MA наряду с другими диагностическими методами.
ACF сравнивает ряд с версией, сдвинутой на k шагов по времени.
PACF изолирует ассоциацию lag-k после контроля промежуточных задержек.
Повторяющийся 12-месячный интервал соответствует годовой зависимости, но требует дальнейших проверок.
Изменение уровня может привести к высокой автокорреляции между многими задержками, поэтому следует оценить стационарность.
Для идеальной чистой авторегрессии PACF обрезается в точке p, а ACF прекращается.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Кластеризация DBSCAN
Технический