Интерпретация графиков ACF и PACF
Во-первых, извинения в случае, если вопрос довольно простой. Может ли кто-нибудь помочь мне интерпретировать графики ACF/PACF для определения значений AR и MA в модели ARIMA?
Мой набор данных - это сетевой трафик в офисе, что означает, что он имеет сезонность 168 баллов (почасовая агрегация). Это связано с тем, что трафик во все одни и те же дни одинаков (например, весь понедельник интенсивный трафик).
4 ответа
Если ваши данные были нестационарными, вам следует посмотреть на разностные графики ACF и PACF. Судя по предоставленным вами графикам, ACF разницы показывает значительную задержку при 1 и имеет положительное значение, поэтому рассмотрите возможность добавления члена AR(1) в вашу модель, то есть для ARIMA, используйте p=1 и a q=0, потому что при лагах 1 и выше значимой отрицательной корреляции нет.
AR(p)=2 и MA(q)=1
Пожалуйста, прочтите этот блог
https://arauto.readthedocs.io/en/latest/how_to_choose_terms.html
После дифференцирования проверьте, являются ли данные стационарными или нет, используя тест ADF или KPSS. Если они стационарны, то AR(p) = 2 и MA(q) = 1 являются хорошей отправной точкой. но вы можете включить более высокие задержки, если это уменьшит ошибку прогнозирования на тестовых данных.
Если данные нестационарны даже после разности, эти графики ACF и PACF нельзя использовать для определения правильного порядка процесса ARIMA. поэтому вам необходимо сделать данные стационарными, используя простое дифференцирование и/или различные преобразования, такие как log , Sqrt,Cbrt , простое дифференцирование и их комбинацию.