Series de tiempo: Confundido sobre la identificación de (posiblemente?) Un modelo ARMA (p, q)

Question

esta es mi primera pregunta en un sitio web que yo uso con frecuencia!

Esta serie de tiempo me ha dado muchos problemas en el último par de días, incluso después de una extensa búsqueda en google, supongo que con TS que no hay dos series que tienen el mismo aspecto, de ahí mi confusión!

Tengo el siguiente FAS y la FAP parcelas de mis datos:

Después de modelar NUMEROSOS modelos en R (ARMA(p,q), con todas las combinaciones de p=0,1,2,3,4 y q=0,1,2,3,4) y mirando a sus teóricos acf parcelas, parece R del auto.arima dio el mejor modelo con p=q=2.

Pero en mi trabajo, no quiero decir solamente que se utiliza R e inferidos nada de la ACF parcelas jaja!

Entiendo que el " poco significativo de la FAP en el gal 1 indica un AR componente(?) y que como ambas parcelas 'pendiente fuera' sugiere un ARMA(p,q) modelo, pero ¿hay algo más im perder????

También, ts (en mis ojos) parece de temporada:

Sin embargo, irónicamente, ninguna cantidad de diferencia que hace una diferencia, el argumento sigue siendo el mismo, no importa lo que d es igual. (R también me dice que no es de temporada)

En resumen:

1. ¿Qué hace el ACF parcelas dime (principal)
2. Yo estoy en lo correcto en la no diferenciación de los datos

Muchísimas gracias!!! (se siente bien para finalmente publicar una pregunta - la próxima etapa es la de responder a un lol)

(también una rápida pregunta extra para usted keenos, cuando la previsión, lo que R es el mejor paquete para la visualización de los intervalos de confianza y simulaciones, etc.)

Siento como si me podría tirar más en aquí: "Estos son mis dos trazados ajustar los valores y las predicciones futuras (rojo de no ser de temporada, el verde que es de temporada): Lo siento es un poco desordenado.

La suma de cuadrados de los residuos de la no estacional modelo es 159799.8 Y para la temporada uno 291955, lo que sugiere la no-estacional es mejor...?.?.?.

TODAVÍA CONFUNDIDO

Answer 1

El ACF gráfica muestra una estacionalidad, con un período de alrededor de 12 (tenga en cuenta el patrón sinusoidal). Así que la primera parcela que hacer es un seasonplot.

seasonplot(ts(foo,frequency=12))

Sin embargo, que no se ve muy prometedor.

Por lo tanto, vamos a ver su gráfico de serie de tiempo una vez más. Vemos la estacionalidad, pero también vemos que los picos alterna entre altas y bajas. Así que no sólo parecen ser una estacionalidad anual, pero uno de longitud de 2 años. Así que echemos un vistazo a un seasonplot por un período de 24 meses:

seasonplot(ts(foo,frequency=12))

Esto se ve mucho más regular que la de arriba. Así que vamos a trabajar con una frecuencia argumento de 24. Si ahora se ajuste a un modelo de uso de la auto.arima(), de R, de hecho, nos da un modelo ARIMA estacional:

model <- auto.arima(ts(foo,frequency=24))
plot(forecast(model,h=24))

Prefiero confiar auto.arima() a crear un pronóstico basado en la minimización de la AIC, que tratando de la edad de Box-Jenkins enfoque de tratar de analizar (P)ACF parcelas. Tenga en cuenta que forecast() le da buen intervalos de predicción. Echa un vistazo a ?forecast.Arima (tenga en cuenta el uso de mayúsculas). Por último, señalar que en la muestra de ajuste no es una buena guía para fuera-de-la precisión de la muestra. En su lugar, considere el uso de una exclusión de la muestra.

Answer 2

Tratando de una lista de arima, que asumen que no hay determinista de la estructura es con frecuencia inadecuada como la correlogram debe ser calculado a partir de los residuos del uso de un modelo que controla por la intervención de la administración, de lo contrario los efectos de la intervención son considerados como ruido Gaussiano, la subestimación de la real autorregresivos efecto. Ver a @AdamO reflexiones que aquí @Interrumpido Análisis de Series de Tiempo - ARIMAX de Alta Frecuencia de los Datos Biológicos?.

En una similar pero de diferente manera ) intentando analizar/coincida con el original de la acf/ccf a una serie de modelos (utilizando mediados de los 60 procedimientos) también es erróneo por la misma razón ( sin tratamiento determinista de la estructura)

Esto explica por qué las siguientes paradigma funciona bien, ya que integra tanto ARIMA (memoria) y latente determinista de la estructura, mientras que la validación de homogeneidad/constancia de los parámetros del modelo y el modelo de la varianza de error a lo largo del tiempo.

https://autobox.com/pdfs/ARIMA%20FLOW%20CHART.pdf