Tengo un time series
datos con su ACF se muestra a continuación. La unidad de tiempo es el día(s).
Lo que parece intrigante para mí es que no parece ser una de picos en cada una de las 7 o 8 de los gal, y parece que hay una tendencia estacional, pero la tendencia disminuye a medida que los gal aumento. Yo uso auto.arima()
a seleccionar el mejor ajuste de la ARIMA proceso de acuerdo a los criterios de información, y a continuación es una de las ACF de los residuos de un modelo con ARIMA(2,0,1) with non-zero mean
:
Mientras que el patrón es más débil después de ARIMA(2,0,1), todavía es apreciable y me pregunto cuál sería la mejor manera de modelo de esta tendencia. He tratado de usar maniquíes a la dirección de la estacionalidad, tales como:
Los días de la semana
data$wday <- wday(dataset$time)
season <- lm(data$variable ~ factor(data$wday))
pacf(season$residuals)
Mes
data$month <- month(data$time)
season <- lm(data$variable ~ factor(data$month))
pacf(season$residuals)
Cuartos
data$quarter <- quarter(data$time)
season <- lm(data$variable ~ factor(data$quarter))
pacf(season$residuals)
Pero el modelo es todavía bastante perceptibles en todos los casos.
Para la serie de tiempo de los profesionales en el foro, hay otras maneras en que usted podría utilizar para este modelo de datos? El ARIMA(2,0,1) pasa el Box.test
. Pero estoy simplemente no se siente satisfecho como se ve como algo asociado con el tiempo lo es todavía en el residual de la ACF.
Archivo adjunto: aquí hay un enlace a un archivo csv de ejemplo.