Comment interpréter ces parcelles ACF et PACF

Vous trouverez ci-dessous des graphiques en acf et pacf d'une série de données mensuelles. Le deuxième tracé est acf avec ci.type = 'ma':

La persistance de valeurs élevées dans la parcelle acf représente probablement une tendance positive à long terme. La question est de savoir si cela représente une variation saisonnière?

J'ai essayé de voir différents sites sur ce sujet, mais je ne sais pas si ces parcelles présentent une saisonnalité.

Analyse des parcelles ACF et PACF

Aide à l'interprétation des tracés ACF et PACF

Aidez à comprendre l'image suivante d'ACF

Autocorrélation et interprétation d'autocorrélation partielle

Edit: voici le graphique du décalage jusqu'à 60:

Voici des tracés de diff (my_series):

Et jusqu'à un décalage de 60:

Modifier: Ces données proviennent de: Est-ce une méthode appropriée pour tester les effets saisonniers dans les données sur le nombre de suicides? Ici, les contributeurs n'ont pas pris en considération les intrigues acf et pacf de séries originales ou différenciées (cela ne doit donc pas être important). Seules les parcelles acf / pacf de résidus ont été mentionnées à quelques endroits.

regarder les parcelles pour essayer de classer les données dans un modèle arima deviné fonctionne bien lorsque 1: il n'y a pas de valeurs aberrantes / impulsions / changements de niveau, tendances temporelles locales et aucune impulsion déterministe saisonnière dans les données ET 2) lorsque le modèle arima a paramètres constants dans le temps ET 3) lorsque la variance d'erreur du modèle arima a une variance constante dans le temps. Quand ces trois choses tiennent-elles ... dans la plupart des ensembles de données de manuels scolaires présentant la facilité de la modélisation arima. Quand 1 ou plusieurs des 3 ne tiennent-ils pas ... dans chaque ensemble de données du monde réel que j'ai jamais vu. La réponse simple à votre question nécessite l'accès aux faits originaux (les données historiques) et non aux informations descriptives secondaires de vos graphiques. Mais ce n'est que mon avis!

MODIFIÉ APRÈS RÉCEPTION DES DONNÉES:

J'étais en vacances en Grèce (en train de faire autre chose que l'analyse des séries chronologiques) et je n'ai pas pu analyser les DONNÉES SUR LE SUICIDE, mais en conjonction avec ce post. Il est maintenant approprié et juste que je soumette une analyse pour suivre / prouver par l'exemple mes commentaires sur les stratégies d'identification de modèle à plusieurs étapes et les échecs de l'analyse visuelle simple des graphiques de corrélation simples car "la preuve est dans le pudding".

Voici l'ACF des données originales Le PACF de la série originale . AUTOBOX http://www.autobox.com/cms/ un logiciel que j'ai aidé à développer utilise des heuristiques pour identifier un modèle de départ Dans ce cas, le modèle initialement identifié s'est avéré être . La vérification diagnostique des résidus de ce modèle a suggéré une augmentation du modèle en utilisant un décalage de niveau, des impulsions et une impulsion saisonnière. Toutes les routes ne mènent pas à Rome mais certaines peuvent vous rapprocher!. Le test de constance des paramètres a rejeté les changements de paramètres au fil du temps. La vérification des changements déterministes dans la variance d'erreur a conclu qu'aucun changement déterministe n'a été détecté dans la variance d'erreur. . Le test de Box-Cox pour la nécessité d'une transformée de puissance était positif avec la conclusion qu'une transformée logarithmique était nécessaire. . Le modèle final est ici . Les résidus du modèle final semblent exempts de toute autocorrélation . Le tracé des résidus des modèles finaux semble être exempt de toute violation gaussienne . L'intrigue d'Actual / Fit / Forecasts est ici avec des prévisions ici

Interprétation de l'ACF et du PACF

La décroissance lente de la fonction d'autocorrélation suggère que les données suivent un long processus de mémoire. La durée des chocs est relativement persistante et influence les données plusieurs observations à venir. Cela est probablement reflété par une tendance régulière dans les données.

L'ACF et le PACF d'ordre 12 sont au-delà des bandes de confiance significatives. Cependant, cela ne signifie pas nécessairement la présence d'un modèle saisonnier identifiable. L'ACF et le PACF des autres commandes saisonnières (24, 36, 48, 60) se situent dans les bandes de confiance. À partir du graphique, il n'est pas possible de conclure si l'importance de l'ACF et du PACF d'ordre 12 est due à la saisonnalité ou aux fluctuations transitoires.

La persistance de l'ACF mentionnée précédemment suggère que des premières différences peuvent être nécessaires pour rendre les données stationnaires. Cependant, l'ACF / PACF de la série différenciée semble suspect, une corrélation négative peut avoir été induite par le filtre de différenciation et peut ne pas être réellement appropriée. Voir cet article pour plus de détails.

Déterminer si la saisonnalité est présente

L'analyse de l'ACF et du PACF doit être complétée par d'autres outils, par exemple:

• Le spectre (une vue de l'ACF dans le domaine fréquentiel) peut révéler la périodicité des cycles qui expliquent l'essentiel de la variabilité des données.
• Ajuster le modèle de série chronologique structurel de base et vérifier si la variance de la composante saisonnière est proche de zéro par rapport aux autres paramètres (dans la fonction R stats::StructTSet le package stsm ).
• Tests de saisonnalité, basés sur des variables fictives saisonnières, des cycles saisonniers ou ceux décrits et mis en œuvre dans X-12 .
• La vérification de la présence d'impulsions et de décalages de niveau comme mentionné par IrishStat est également nécessaire car elles peuvent fausser les conclusions des méthodes précédentes (dans R, le paquet tsoutliers peut être utile à cette fin).