Comment interpréter l'autocorrélation

J'ai calculé l'autocorrélation sur des données de séries chronologiques sur les modèles de mouvement d'un poisson en fonction de ses positions: X ( x.ts) et Y ( y.ts).

En utilisant R, j'ai exécuté les fonctions suivantes et produit les graphiques suivants:

acf(x.ts,100)

acf(y.ts,100)

Ma question est, comment puis-je interpréter ces parcelles? Quelles informations sont nécessaires pour signaler toute sorte de modèle? Je surfe sur Internet et je n'ai pas encore trouvé de méthode concise qui l'explique efficacement.

De plus, comment décidez-vous de la quantité de décalage à utiliser? J'en ai utilisé 100, mais je ne sais pas si c'est trop.

Ces graphiques vous montrent la . Imaginez donc prendre votre série chronologique de longueur , la copier et supprimer la première observation de la copie # 1 et la dernière observation de la copie # 2. Vous disposez maintenant de deux séries de longueur pour lesquelles vous calculez un coefficient de corrélation. Il s'agit de la valeur de l'axe vertical à dans vos graphiques. Il représente la corrélation des séries décalées d'une unité de temps. Vous continuez et faites cela pour tous les décalages temporels possibles et cela définit l'intrigue.$\textit{correlation of the series with itself, lagged by x time units}$$T$$T-1$$x=1$$x$

La réponse à votre question sur ce qui est nécessaire pour signaler un modèle dépend du modèle que vous souhaitez signaler. Mais quantitativement, vous avez exactement ce que je viens de décrire: le coefficient de corrélation à différents décalages de la série. Vous pouvez extraire ces valeurs numériques en exécutant la commande acf(x.ts,100)$acf.

Pour ce qui est du décalage à utiliser, c'est encore une fois une question de contexte. Il arrive souvent qu'il y ait des retards d'intérêt spécifiques. Supposons, par exemple, que vous pensez que les espèces de poissons migrent vers et depuis une zone tous les 30 jours environ. Cela peut vous amener à émettre l'hypothèse d'une corrélation dans les séries temporelles à des retards de 30. Dans ce cas, vous auriez un support pour votre hypothèse.