我只想检查我是否正确解释了 ACF 和 PACF 图：
数据对应于实际数据点与使用 AR(1) 模型生成的估计值之间产生的误差。
我在这里查看了答案：
阅读后似乎错误不是自相关的，但我只想确定，我的担忧是：
1.）第一个错误就在边界上（在这种情况下，我应该接受还是拒绝在滞后 1 处存在显着的自相关）？
2.) 这些线代表 95% 的置信区间，考虑到有 116 个滞后，我预计不超过 (0.05 * 116 = 5.8，我四舍五入为 6) 6 个滞后超出边界。对于 ACF，情况就是这样，但对于 PACF，大约有 10 个例外。如果包括边界上的那些，它更像是 14？这是否仍然表明没有自相关？
3.) 我是否应该了解所有违反 95% 置信区间的情况都是不利的事实？
您显示的图中没有明显的结构。
位于频带之外的那些负偏自相关的滞后阶不是彼此的倍数（它们是滞后，22、56、62、78、94），即它们不会在常规数量的滞后之后出现，例如 12 , 24, 36, 48，所以我不会根据情节推断出任何模式。
作为补充，您可以应用运行测试，这是一种独立性测试，可能有助于捕获正值或负值的运行，这将暗示数据中的某些模式。
至于一些自相关的重要性，我看到它们是大量出现的。您应该考虑这些自相关是否有意义，或者在您的数据上下文中是否可以预期。期望 56 次观察前观察到的值会影响当前观察是否明智？如果我们有季度数据，则值得检查滞后 8 和 12 的显着相关性，因为它们是数据周期性的倍数，并且可能反映我们可以在数据背景下解释的一些季节性模式。但是，如果在滞后 9、11 或更高的滞后出现显着滞后，我不会太担心，对此我没有任何解释可以证明它是常规模式的合理性。
执行残差的相关图检查（实际数据点和估计值之间的差异）以检查 ARIMA 模型中是否没有遗漏有关数据的任何重要模式。如果已捕获所有信息，则 ACF 和 PACF 图应该类似于白噪声。
如果目视检查无助于自信地假设相同，那么您可以尝试对残差运行 Box-Ljung 检验。
在这种情况下，Box-Ljung 检验的原假设是残差与白噪声没有区别。
以下是在 r 中运行测试的代码：
Box.test(residuals, lag = 28, fitdf = 5, type = "Ljung")
滞后值是根据滞后自相关系数的数量设置的，fitdf 是要减去的自由度的数量。对于 ARIMA (p,d,q) (P,D,Q)m，我通常设置 fitdf = (p + q + P + Q)
如果 Box-Ljung 检验返回较大的 p 值，则表明残差没有剩余的自相关，即它们类似于白噪声。