Estoy intentando estimar un modelo basado en la ACF y la PACF. Entiendo que el ACF se aplica al MA y el PACF al AR. ¿Simplemente cuento las líneas significativas y lo ordeno así? He utilizado una transformación de Box Cox y he diferenciado los datos.
Intento pronosticar la producción mensual de petróleo en EE.UU. Gráfico de datos se publica a continuación. https://www.eia.gov/dnav/pet/hist/LeafHandler.ashx?n=PET&s=MCRFPUS1&f=M
A veces, demasiado de algo bueno no es tan bueno. 
Sus 1201 valores mensuales a partir de 1920/1 son un ejemplo de ello. La trama histórica es histérica 
sugiriendo que se podría empezar con los últimos 109 valores a partir de 2011/1 
... Un reciente conjunto coherente de valores .
Las series temporales pueden tener una estructura autoproyectiva y/o determinista. Si se limita el espacio de soluciones a una estructura puramente arima, ignorando los cambios de nivel y los cambios de tendencia temporal, así como los cambios en la varianza del error del modelo y los posibles impulsos estacionales, y se supone que no hay anomalías, se puede llegar MUY CORTO en la identificación de un modelo posiblemente útil. .
No hay necesidad/justificación para diferenciar estacionalmente este conjunto de datos... sólo hay 1 mes del año (febrero) que parece ser consistentemente excepcional (BAJADA).
Los 109 valores más recientes son una cacofonía que sugiere la necesidad de extraer datos para obtener un proceso de error sin estructura.
He aquí los valores reales/de ajuste y las previsiones para los 109 valores más recientes 
. El formulario del modelo NO CONTIENE ESTRUCTURA ARIMA 
y aquí 
Para resumir, hay una variable ficticia estacional en febrero de cada año Y una ampliación de la varianza del error identificada en 2014/7 de http://docplayer.net/12080848-Outliers-level-shifts-and-variance-changes-in-time-series.html y tendencias temporales e indicadores de cambio de nivel. 
El gráfico Actual y depurado es esclarecedor 
. El gráfico de previsiones está aquí 
El ACF residual está aquí 
He utilizado AUTOBOX (un programa informático que he ayudado a desarrollar) para diseccionar automáticamente los datos en función de la señal y el ruido. Las herramientas gratuitas de modelización de series temporales que ajustan un conjunto preestablecido de modelos arma y utilizan un criterio AIC/BIC simplista a veces funcionan con datos que no son complicados... su serie seleccionada, como la mayoría, es complicada.
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
