Викторина, связанная с руководством · Средний Уровень

Автокорреляция, тест ACF и PACF

Читайте шаблоны ACF и PACF, отличайте лагированную ассоциацию от частичной ассоциации и избегайте рассмотрения эвристики построения графика как автоматического порядка модели.

Связанные направляющие путиАвтокорреляция Acf и Pacf
Вопрос 1 из 8

Что описывает АКФ при лаге k?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что описывает АКФ при лаге k?
    • Correlation between observations k time steps apart
    • Correlation after removing all predictor effects
    • The partial regression slope at every lag
    • The forecast variance at horizon k
  2. Чем PACF с задержкой k отличается от ACF?
    • It measures only seasonal frequencies
    • It accounts for linear effects of shorter lags
    • It is a correlation between two different series
    • It is always zero for nonstationary data
  3. О чем говорят повторяющиеся всплески АКФ на лагах 12, 24 и 36 в ежемесячных данных?
    • That all seasonal effects are removed
    • A guaranteed AR order of 36
    • Possible annual seasonal dependence
    • A perfect moving-average fit
  4. Почему медленно затухающий ACF может отражать тенденцию, а не зависимость от нехватки памяти?
    • A trend is identical to an MA term
    • The ACF omits all time information
    • Trend makes every lag exactly zero
    • Nonstationary level changes can induce broad persistence across lags
  5. Какой шаблон учебника связан с чистым процессом AR(p) в идеальных условиях?
    • ACF cuts off after p while PACF is always one
    • PACF cuts off after p while ACF decays
    • Both functions are exactly zero at lag one
    • Both cut off at the sample size
  6. Why are isolated spikes across many lags not definitive evidence?
    • Confidence bands equal exact causal tests
    • ACF values are always deterministic
    • Multiple approximate comparisons and finite-sample noise can create them
    • A lag plot cannot include uncertainty
  7. Which ACF is useful after fitting an ARIMA candidate?
    • The seasonal ACF after labels are removed
    • Only the original series ACF because residuals are never diagnostic
    • The predictor ACF to estimate accuracy
    • The residual ACF to inspect remaining serial dependence
  8. How should ACF/PACF plots guide model selection?
    • Suggest candidate orders that are then validated with diagnostics and forecasts
    • Set exact p and q without further checks
    • Prove stationarity whenever confidence bands are crossed
    • Replace a time-ordered test set