我的原始数据包含一个 60 天的时间序列,呈下降趋势。数据是每周一次,因此频率设置为 7。
我计算了看起来像这样的数据的差异
当我在差异上运行 ACF 和 PACF 图时,我似乎得到了矛盾的结果?ACF 显示第一个滞后项的积极影响,而 PACF 显示消极影响?有人可以帮我解释一下吗?我试图更好地理解 ARIMA。我看到的关于 PACF 和 ACF 的例子似乎总是表明两者至少在方向上是一致的。
我的原始数据包含一个 60 天的时间序列,呈下降趋势。数据是每周一次,因此频率设置为 7。
我计算了看起来像这样的数据的差异
当我在差异上运行 ACF 和 PACF 图时,我似乎得到了矛盾的结果?ACF 显示第一个滞后项的积极影响,而 PACF 显示消极影响?有人可以帮我解释一下吗?我试图更好地理解 ARIMA。我看到的关于 PACF 和 ACF 的例子似乎总是表明两者至少在方向上是一致的。
在 Racf
中,从滞后 0 开始,即一个值与其自身的相关性。pacf
从滞后 1 开始。
只是她的 R 实现的一个特点。如果这让您感到困扰,您可以使用不显示滞后 0Acf
的软件包的功能。forecast
假定的矛盾基于 R 中 PACF- 和 ACF- 图的不同滞后表示:ACF 从滞后 0 开始,PACF 从滞后 1 开始。
原则上,滞后 1 的 PACF 和 ACF 应该相等。平稳时间序列的理论 ACF只是自相关,因此。
滞后 j 的 PACF 是和和的线性相关性。由于 PACF(1) 没有中间依赖,因此它的值简化为简单的自相关:。