Autocorrélation en présence de non-stationnarité?

9

La fonction d'autocorrélation a-t-elle un sens avec une série chronologique non stationnaire?

La série chronologique est généralement supposée stationnaire avant que l'autocorrélation ne soit utilisée à des fins de modélisation de Box et Jenkins.

time-series autocorrelation box-jenkins

— griffon
source

1

si votre série n'est pas stationnaire, l'ACF déclinera très lentement, au point d'être inutile (c'est essentiellement une constante). Qu'entendez-vous par «avoir un sens»?

— user603

Si la série chronologique n'est pas stationnaire, la première différence de la série est souvent stationnaire (par exemple, les séries temporelles financières).

— John Salvatier

14

@whuber a donné une belle réponse. J'ajouterais simplement que vous pouvez simuler cela très facilement dans R:

op <- par(mfrow = c(2,2), mar = .5 + c(0,0,0,0))

N <- 500
# Simulate a Gaussian noise process
y1 <- rnorm(N)
# Turn it into integrated noise (a random walk)
y2 <- cumsum(y1)

plot(ts(y1), xlab="", ylab="", main="", axes=F); box()
plot(ts(y2), xlab="", ylab="", main="", axes=F); box()
acf(y1, xlab="", ylab="", main="", axes=F); box()
acf(y2, xlab="", ylab="", main="", axes=F); box()

par(op)

Ce qui finit par ressembler à ceci:

texte alternatif

Ainsi, vous pouvez facilement voir que la fonction ACF s'éteint lentement jusqu'à zéro dans le cas d'une série non stationnaire. Le taux de déclin est une mesure de la tendance, comme l'a mentionné @whuber, bien que ce ne soit pas le meilleur outil à utiliser pour ce type d'analyse.

— Shane
source

7

Sous sa forme alternative sous forme de variogramme, la vitesse à laquelle la fonction croît avec de grands décalages est à peu près le carré de la tendance moyenne. Cela peut parfois être un moyen utile de décider si vous avez correctement supprimé les tendances.

Vous pouvez considérer le variogramme comme la corrélation au carré multipliée par une variance appropriée et inversée.

(Ce résultat est une conséquence directe de l'analyse présentée dans Pourquoi l'inclusion de la latitude et de la longitude dans un GAM tient-elle compte de l'autocorrélation spatiale?, Qui montre comment le variogramme inclut des informations sur la différence quadratique attendue entre les valeurs à différents endroits.)

— whuber
source

0

Une idée pourrait être de rendre vos séries chronologiques immobiles, puis de réaliser ACF dessus. Une façon de rendre une série chronologique stationnaire consiste à calculer les différences entre les observations consécutives. L'ACF du signal différencié ne devrait pas souffrir des effets des tendances ou de la saisonnalité du signal.

— Angela
source