Determinar el término AR a partir del gráfico PACF

Question

Tengo los datos de una serie temporal, cuyo acf y pacf se muestran a continuación:

Entiendo que el término MA es 1. Pero estoy confundido sobre el término AR ya que está decayendo geométricamente desde el 7º lag. ¿Necesito transformar los datos de nuevo para eliminar esto?

PD: Estos datos ya han sido diferenciados una vez.

Answer 1

Sólo sus datos lo saben con certeza, ya que puede haber un efecto determinista semanal (pulsos estacionales) y otras "características" a la espera de ser descubiertas .... publique sus datos e intentaré ayudar más... El acf y el pacf son descriptivos pero sólo inferenciales si... no hay pulsos, no hay cambios de nivel/paso, no hay pulsos estacionales... no hay tendencias temporales locales, varianza de error y parámetros constantes en el tiempo

tras la recepción de sus datos ( 366 días ía para 1 año ) . En resumen ...cuando se tienen datos diarios puede haber

1. efectos del día de la semana no demostrables con sus datos
2. efectos de la semana del año no comprobables con sus datos
3. efectos del mes del año demostrables
4. efectos del día del mes no demostrables con sus datos
5. efectos de la semana si el mes no se puede probar con sus datos
6. efectos de las vacaciones no demostrables con sus datos
7. efectos del fin de semana largo no demostrables con sus datos
8. los efectos del cambio de nivel no son significativos
9. las tendencias de la hora local no son significativas
10. los efectos de arima no son significativos
11. efectos de diferenciación no significativos
12. efectos del pulso significativos
13. cambios de parámetro en el tiempo no demostrables con sus datos
14. los efectos de la transformación de la energía son significativos

15 error determinista var cambio no demostrable con sus datos

16 variables exógenas efecto no demostrable con sus datos

El software que utilicé identificó una serie de pulsos ...1 anomalías de período . Vea el gráfico real y el gráfico depurado aquí . Las series depuradas conducen directamente a un modelo estacional con 10 predictores utilizando una transformación logarítmica .

El gráfico de los residuos está aquí lo que sugiere una menor variabilidad durante los meses de verano. El acf residual está aquí

Respondiendo directamente a su pregunta, el mejor modelo arima es (0,0,0)(0,0,0) con 10 indicadores estacionales mensuales que reflejan los cambios deterministas a lo largo del año.

Los pulsos que se identificaron están aquí : y el resumen del modelo aquí