Làm thế nào để bạn tìm thấy giá trị của một ACF?

Question

Tương quan đo lường mức độ của mối quan hệ tuyến tính giữa hai biến, tự tương quan đo lường mối quan hệ tuyến tính giữa các giá trị trễ của một chuỗi thời gian

Nội dung chính Show

Xu hướng và tính thời vụ trong các lô ACF
Các mô hình trung bình động và hồi quy tự động
điều kiện tiên quyết. đứng yên
Hàm tự tương quan (ACF) và Hàm tự tương quan một phần (PACF)
Thứ tự các mô hình AR, MA và ARMA
Quy trình AR(1)
Quy trình AR(2)
Quy trình MA(1)
Quá trình MA(2)
định kỳ
tiếng ồn trắng
Tham gia Medium với liên kết giới thiệu của tôi — Leonie Monigatti
Đọc mọi câu chuyện của Leonie Monigatti (và hàng nghìn nhà văn khác trên Medium). Phí thành viên của bạn trực tiếp…
Giá trị ACF là gì?
Làm cách nào để nhận giá trị trang tùy chọn trong ACF?
Hàm nào được sử dụng để truy xuất giá trị của trường tùy chỉnh?
Trường quan hệ ACF là gì?

Có một số hệ số tự tương quan, tương ứng với từng bảng trong biểu đồ độ trễ. Ví dụ: $r_{1}$ đo lường mối quan hệ giữa $y_{t}$ và $y_{t-1}$, $r_{2}$ đo lường mối quan hệ giữa \(y_

Giá trị của $r_{k}$ có thể được viết là \[ r_{k} = \frac{\sum\limits_{t=k+1}^T (y_{t}-\bar{y}) . Các hệ số tự tương quan tạo nên hàm tự tương quan hay ACF

Các hệ số tự tương quan cho dữ liệu sản xuất bia có thể được tính bằng hàm

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

4

recent_production %>% ACF(Beer, lag_max = 9)
#> # A tsibble: 9 x 2 [1Q]
#>     lag      acf
#>       
#> 1    1Q -0.0530 
#> 2    2Q -0.758  
#> 3    3Q -0.0262 
#> 4    4Q  0.802  
#> 5    5Q -0.0775 
#> 6    6Q -0.657  
#> 7    7Q  0.00119
#> 8    8Q  0.707  
#> 9    9Q -0.0888

Các giá trị trong cột

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

5 là $r_1,\dots,r_9$, tương ứng với chín biểu đồ phân tán trong Hình. Chúng tôi thường vẽ đồ thị ACF để xem các mối tương quan thay đổi như thế nào với độ trễ $k$. Cốt truyện đôi khi được gọi là biểu đồ tương quan

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

Hình 2. 20. Hàm tự tương quan sản lượng bia theo quý

Trong biểu đồ này

$r_{4}$ cao hơn so với các độ trễ khác. Điều này là do mô hình theo mùa trong dữ liệu. các đỉnh có xu hướng cách nhau bốn phần tư và các đáy có xu hướng cách nhau bốn phần tư
$r_{2}$ âm hơn so với các độ trễ khác vì đáy có xu hướng ở sau đỉnh hai phần tư
Các đường đứt nét màu xanh cho biết liệu các mối tương quan có khác biệt đáng kể so với 0 hay không (như được giải thích trong Phần )

Xu hướng và tính thời vụ trong các lô ACF

Khi dữ liệu có xu hướng, tự tương quan đối với độ trễ nhỏ có xu hướng lớn và dương vì các quan sát gần thời gian cũng gần giá trị. Vì vậy, ACF của chuỗi thời gian có xu hướng có xu hướng có các giá trị dương giảm dần khi độ trễ tăng

Khi dữ liệu theo mùa, tự tương quan sẽ lớn hơn đối với độ trễ theo mùa (ở bội số của khoảng thời gian theo mùa) so với các độ trễ khác

Khi dữ liệu có cả xu hướng và theo mùa, bạn sẽ thấy sự kết hợp của những hiệu ứng này. Dữ liệu

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

6 được vẽ trong Hình cho thấy cả xu hướng và tính thời vụ. ACF của nó được thể hiện trong hình. ACF giảm chậm khi độ trễ tăng là do xu hướng, trong khi hình dạng “con sò” là do tính thời vụ

Phân tích tự tương quan là một bước quan trọng trong Exploratory Data Analysis của dự báo chuỗi thời gian. Phân tích tự tương quan giúp phát hiện các mẫu và kiểm tra tính ngẫu nhiên. Điều này đặc biệt quan trọng khi bạn có ý định sử dụng mô hình tự hồi quy-trung bình trượt (ARMA) để dự báo vì nó giúp xác định các tham số của nó. Phân tích liên quan đến việc xem xét các biểu đồ Hàm tự tương quan (ACF) và Hàm tự tương quan một phần (PACF)

Bài viết này giúp bạn xây dựng một trực giác để diễn giải các biểu đồ ACF và PACF

Bài viết này giúp bạn xây dựng trực giác để diễn giải các biểu đồ ACF và PACF này. Chúng ta sẽ xem xét ngắn gọn các nguyên tắc cơ bản của ACF và PACF. Tuy nhiên, vì trọng tâm nằm ở việc giải thích các biểu đồ, nên phần thảo luận chi tiết về toán học cơ bản nằm ngoài phạm vi của bài viết này. Thay vào đó, chúng tôi sẽ đề cập đến các tài nguyên khác

Bài viết này là phiên bản xem lại của Kaggle Notebook của tôi, được xuất bản lần đầu vào tháng 12 năm 2021. Bạn có thể tải xuống hoặc rẽ nhánh mã ở đó

Nguyên tắc cơ bản

Đồ thị ACF và PACF được sử dụng để tìm ra thứ tự của các mô hình AR, MA và ARMA. Trong phần này, chúng tôi sẽ chỉ chạm nhẹ vào các điều khoản có liên quan. Để được giải thích chi tiết, chúng tôi sẽ tham khảo các tài nguyên khác

Các mô hình trung bình động và hồi quy tự động

Mô hình hồi quy tự động

Mô hình Tự hồi quy (AR) giả định rằng giá trị hiện tại (y_t) phụ thuộc vào các giá trị trước đó (y_(t-1), y_(t-2), …). Do giả định này, chúng ta có thể xây dựng mô hình hồi quy tuyến tính

Để tìm ra thứ tự của một mô hình AR, bạn cần xem PACF

Mô hình trung bình động

Mô hình Đường trung bình động (MA) giả định rằng giá trị hiện tại (y_t) phụ thuộc vào các điều khoản lỗi bao gồm lỗi hiện tại (𝜖_t, 𝜖_(t-1),…). Bởi vì các điều khoản lỗi là ngẫu nhiên, không có mối quan hệ tuyến tính giữa giá trị hiện tại và các điều khoản lỗi

Để tìm ra thứ tự của một mô hình MA, bạn cần nhìn vào ACF

điều kiện tiên quyết. đứng yên

ACF và PACF giả định tính ổn định của chuỗi thời gian cơ bản

Hàm tự tương quan (ACF) và Hàm tự tương quan một phần (PACF)

ACF và PACF được sử dụng để tìm ra thứ tự của các mô hình AR, MA và ARMA

Nếu bạn cần một chút giới thiệu hoặc bồi dưỡng về ACF và PACF, tôi khuyên bạn nên xem video sau

Hàm tự tương quan (ACF)

Tự tương quan là mối tương quan giữa một chuỗi thời gian với một phiên bản trễ hơn của chính nó. ACF bắt đầu ở độ trễ bằng 0, đây là mối tương quan của chuỗi thời gian với chính nó và do đó dẫn đến mối tương quan là 1

Chúng ta sẽ sử dụng hàm

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

7 từ thư viện

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

8 [5]. Đối với bài viết này, chúng tôi sẽ chỉ xem xét 15 độ trễ vì chúng tôi đang sử dụng các ví dụ tối thiểu

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

Biểu đồ ACF có thể cung cấp câu trả lời cho các câu hỏi sau

Là chuỗi thời gian quan sát tiếng ồn trắng/ngẫu nhiên?
Một quan sát có liên quan đến một quan sát liền kề, một quan sát bị xóa hai lần, v.v.?
Chuỗi thời gian quan sát có thể được mô hình hóa bằng mô hình MA không?

Hàm tự tương quan một phần (PACF)

Tự tương quan một phần ở độ trễ k là tự tương quan giữa X_t_t và X_(t-k) không tính đến độ trễ từ 1 đến 𝑘−1. [4]

Chúng ta sẽ sử dụng hàm

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

9 từ thư viện

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

8 với tham số

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

1 (hồi quy chuỗi thời gian theo độ trễ của nó và theo hằng số)[5]

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

phụ lục. Tham số mặc định cho

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

2 là

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

3 (Yule-Walker với điều chỉnh cỡ mẫu ở mẫu số cho acovf). Tuy nhiên, giá trị mặc định này đang gây ra một số tự tương quan không hợp lý cao hơn 1 trên dữ liệu mẫu. Do đó, chúng tôi thay đổi tham số

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

2 thành tham số không gây ra sự cố này.

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

5 cũng sẽ hoạt động tốt như được đề xuất trong bài đăng StackExchange này [3]

Biểu đồ PACF có thể cung cấp câu trả lời cho câu hỏi sau

Chuỗi thời gian quan sát có thể được mô hình hóa bằng mô hình AR không?

Thứ tự các mô hình AR, MA và ARMA

Dưới đây bạn có thể xem ví dụ về biểu đồ ACF và PACF. Những ô này được gọi là “ô kẹo mút” [2]

Example of an ACF and a PACF plot.

Ví dụ về đồ thị ACF và PACF. (Ảnh của tác giả qua Kaggle)

Cả ACF và PACF đều bắt đầu với độ trễ bằng 0, đây là mối tương quan của chuỗi thời gian với chính nó và do đó dẫn đến mối tương quan là 1

Sự khác biệt giữa ACF và PACF là bao gồm hoặc loại trừ các mối tương quan gián tiếp trong tính toán

Ngoài ra, bạn có thể thấy một vùng màu xanh lam trong các ô ACF và PACF. Vùng màu xanh lam này mô tả khoảng tin cậy 95% và là chỉ báo về ngưỡng ý nghĩa. Điều đó có nghĩa là, bất kỳ thứ gì trong vùng màu xanh dương đều gần bằng 0 về mặt thống kê và mọi thứ bên ngoài vùng màu xanh lam đều khác không về mặt thống kê

Để xác định thứ tự của mô hình, bạn kiểm tra

“Có bao nhiêu [bao nhiêu] kẹo mút ở trên hoặc dưới khoảng tin cậy trước khi kẹo mút tiếp theo đi vào vùng màu xanh lam?”

Hình ảnh của tác giả thông qua Kaggle lấy cảm hứng từ [1]

ví dụ

Trong phần này, chúng ta sẽ xem xét một vài ví dụ về chuỗi thời gian và xem xét

Biểu đồ ACF và PACF trông như thế nào
Cách xác định nên lập mô hình chuỗi thời gian bằng mô hình AR hay MA
Cách xác định thứ tự của mô hình AR hoặc MA
Cách tìm thông số của mô hình AR hoặc MA

Quy trình AR(1)

Chuỗi thời gian sau đây là một quy trình AR(1) với 128 dấu thời gian và

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

6. Nó đáp ứng điều kiện tiên quyết của văn phòng phẩm

Fictional Sample Time Series: AR(1) Process with alpha_1 = 0.5

Chuỗi thời gian mẫu hư cấu. AR(1) Xử lý với alpha_1 = 0. 5 (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và biểu đồ PACF của quy trình AR(1). (Ảnh của tác giả qua Kaggle)

Chúng ta có thể thực hiện các quan sát sau đây

Có một số tự tương quan khác không đáng kể. Do đó, chuỗi thời gian là không ngẫu nhiên
Mức độ tự tương quan cao giữa các điểm liền kề (độ trễ = 1) trong biểu đồ PACF
Phân rã hình học trong biểu đồ ACF

Dựa vào bảng trên, chúng ta có thể sử dụng mô hình AR(1) để mô hình hóa quá trình này

Với AR(p=1), công thức

có thể được viết lại như sau

Để tìm tham số

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

7 ta khớp mô hình AR như sau

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

1

Thông số được trang bị bởi mô hình AR. (Ảnh của tác giả qua Kaggle)

Như bạn có thể thấy, mô hình AR(1) phù hợp với một

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

8, khá gần với

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

6 mà chúng ta đã thiết lập

Quy trình AR(2)

Chuỗi thời gian sau đây là một quy trình AR(2) với 128 dấu thời gian,

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

6 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

11. Nó đáp ứng điều kiện tiên quyết của văn phòng phẩm

Chuỗi thời gian mẫu hư cấu. AR(2) Xử lý với alpha_1 = 0. 5 và alpha_2 = -0. 5 (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và biểu đồ PACF của quy trình AR(2). (Ảnh của tác giả qua Kaggle)

Chúng ta có thể thực hiện các quan sát sau đây

Có một số tự tương quan khác không đáng kể. Do đó, chuỗi thời gian là không ngẫu nhiên
Mức độ tự tương quan cao giữa các quan sát liền kề (độ trễ = 1) và gần kề (độ trễ = 2) trong biểu đồ PACF
Phân rã hình học trong biểu đồ ACF

Hình ảnh của tác giả thông qua Kaggle lấy cảm hứng từ [1]

Dựa vào bảng trên, chúng ta có thể sử dụng mô hình AR(2) để mô hình hóa quá trình này

Với AR(p=2), công thức

có thể được viết lại như sau

Để tìm các tham số

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

7 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

13 ta khớp mô hình AR như sau

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

8

Các thông số được trang bị bởi mô hình AR. (Ảnh của tác giả qua Kaggle)

Như bạn có thể thấy, mô hình AR(2) phù hợp với

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

14 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

15, khá gần với

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

6 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

11 mà chúng ta đã đặt

Quy trình MA(1)

Chuỗi thời gian sau đây là một quá trình MA(1) với 128 dấu thời gian và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

18. Nó đáp ứng điều kiện tiên quyết của văn phòng phẩm

Chuỗi thời gian mẫu hư cấu. Quá trình MA(1) với beta_1 = 0. 5 (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và đồ thị PACF của quy trình MA(1). (Ảnh của tác giả qua Kaggle)

Chúng ta có thể thực hiện các quan sát sau đây

Có một số tự tương quan khác không đáng kể. Do đó, chuỗi thời gian là không ngẫu nhiên
Mức độ tự tương quan cao giữa các điểm liền kề (độ trễ = 1) trong biểu đồ ACF
Phân rã hình học trong biểu đồ PACF

Hình ảnh của tác giả thông qua Kaggle lấy cảm hứng từ [1]

Dựa vào bảng trên, chúng ta có thể sử dụng mô hình MA(1) để mô hình hóa quá trình này

Với MA(q=1), công thức

có thể được viết lại như sau

Để tìm tham số

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

19 ta khớp mô hình MA như sau

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

5

Thông số phù hợp với mô hình (AR)MA. (Ảnh của tác giả qua Kaggle)

Như bạn có thể thấy, mô hình MA(1) phù hợp với

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

80, khá gần với

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

18 mà chúng ta đã thiết lập

Quá trình MA(2)

Chuỗi thời gian sau đây là một quá trình MA(2) với 128 dấu thời gian và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

18 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

83. Nó đáp ứng điều kiện tiên quyết của văn phòng phẩm

Chuỗi thời gian mẫu hư cấu. Quá trình MA(2) với beta_1 = 0. 5 và beta_2 = 0. 5 (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và biểu đồ PACF của quy trình MA(2). (Ảnh của tác giả qua Kaggle)

Chúng ta có thể thực hiện các quan sát sau đây

Có một số tự tương quan khác không đáng kể. Do đó, chuỗi thời gian là không ngẫu nhiên
Mức độ tự tương quan cao giữa các quan sát liền kề (độ trễ = 1) và gần kề (độ trễ = 2) trong biểu đồ ACF
Phân rã hình học trong biểu đồ PACF

Hình ảnh của tác giả thông qua Kaggle lấy cảm hứng từ [1]

Dựa vào bảng trên, chúng ta có thể sử dụng mô hình MA(2) để mô hình hóa quá trình này

Với MA(q=2), công thức

có thể được viết lại như sau

Để tìm các tham số

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

19 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

85 ta khớp mô hình MA như sau

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

2

Các thông số phù hợp với mô hình (AR)MA. (Ảnh của tác giả qua Kaggle)

Như bạn có thể thấy, mô hình MA(2) phù hợp với

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

86 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

87, khá gần với

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

18 và

recent_production %>%
  ACF(Beer) %>%
  autoplot() + labs(title="Australian beer production")

83 mà chúng ta đã thiết lập

định kỳ

Chuỗi thời gian sau là tuần hoàn với T=12. Nó bao gồm 48 dấu thời gian

Chuỗi thời gian mẫu hư cấu. Định kỳ với T=12 (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và biểu đồ PACF của quy trình định kỳ. (Ảnh của tác giả qua Kaggle)

Chúng ta có thể thực hiện các quan sát sau đây

Có một số tự tương quan khác không đáng kể. Do đó, chuỗi thời gian là không ngẫu nhiên
Mức độ tự tương quan cao giữa các quan sát liền kề (độ trễ = 1) và gần kề trong biểu đồ PACF
Từ cả biểu đồ ACF và PACF, chúng ta có thể thấy mối tương quan chặt chẽ với quan sát liền kề (độ trễ = 1) và cũng ở độ trễ 12, là giá trị của T

Hình ảnh của tác giả thông qua Kaggle lấy cảm hứng từ [1]

Với AR(p=12), công thức

có thể được viết lại như sau

Để tìm các tham số

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

7 đến

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

51, chúng tôi điều chỉnh mô hình AR như sau

from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(time_series_values, lags = 15, method = "ols")

9

Các thông số được trang bị bởi mô hình AR. (Ảnh của tác giả qua Kaggle)

Như bạn thấy, mô hình MA(2) phù hợp với tham số

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

52 và

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

53, khá gần với

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

54 và

from statsmodels.graphics.tsaplots import plot_acfplot_acf(time_series_values, lags = 15)

55 mà chúng ta đã đặt

Với các tham số này, công thức có thể được viết lại như hình bên dưới

tiếng ồn trắng

Chuỗi thời gian sau đây là ngẫu nhiên. Nó bao gồm 48 dấu thời gian

Chuỗi thời gian mẫu hư cấu. White Noise (Ảnh của tác giả qua Kaggle)

Hình dưới đây cho thấy các sơ đồ ACF và PACF kết quả

ACF và đồ thị PACF của tiếng ồn trắng. (Ảnh của tác giả qua Kaggle)

Chúng ta có thể đưa ra nhận xét sau

Chỉ có một tự tương quan khác 0 đáng kể ở độ trễ bằng 0. Do đó, chuỗi thời gian là ngẫu nhiên

Khó mô hình hóa tiếng ồn trắng vì chúng tôi không thể truy xuất bất kỳ tham số nào từ các biểu đồ ACF và PACF

Phần kết luận

Trong bài viết này, chúng tôi đã xem xét các ví dụ khác nhau về quy trình AR và MA, chuỗi thời gian định kỳ và tiếng ồn trắng để giúp bạn xây dựng trực giác để diễn giải các biểu đồ ACF và PACF

Bài báo này đã thảo luận

Cách phát hiện tính ngẫu nhiên trong chuỗi thời gian
Cách xác định nên lập mô hình chuỗi thời gian bằng mô hình AR hay MA
Cách xác định thứ tự của mô hình AR hoặc MA
Cách tìm thông số của mô hình AR hoặc MA

Hình dưới đây là một bản tóm tắt trực quan của bài viết này dưới dạng một mánh gian lận

Phiên dịch ACF và PACF Cheat Sheet (Ảnh của tác giả)

Rất thích câu chuyện này?

Trở thành thành viên Medium để đọc thêm những câu chuyện từ tôi và các nhà văn khác. Bạn có thể hỗ trợ tôi bằng cách sử dụng liên kết giới thiệu của tôi khi bạn đăng ký. Tôi sẽ nhận được hoa hồng mà không tính thêm phí cho bạn

Tham gia Medium với liên kết giới thiệu của tôi — Leonie Monigatti

Đọc mọi câu chuyện của Leonie Monigatti (và hàng nghìn nhà văn khác trên Medium). Phí thành viên của bạn trực tiếp…

Trung bình. com

Tìm tôi trên LinkedIn và Kaggle

Người giới thiệu

[1] S. Ali, “Đọc các âm mưu ACF và PACF — Sổ tay hướng dẫn bị thiếu / Cheatsheet”. linkin. com. https. //www. linkin. com/Pulse/reading-acf-pacf-plots-missing-manual-cheatsheet-saqib-ali/ (truy cập ngày 27 tháng 7 năm 2022)

[2] “Arauto”, “Cách chọn thông số cho mô hình”. arauto. đọcthedocs. io. https. //arauto. đọcthedocs. io/vi/mới nhất/how_to_choose_terms. html (truy cập ngày 29 tháng 7 năm 2022)

[3] “Xác thực chéo”, “Giá trị PACF rất cao (>10) có nghĩa là gì?”. giao dịch cổ phiếu. com. https. // số liệu thống kê. giao dịch cổ phiếu. com/câu hỏi/380196/what-do-very-high-pacf-values-10-mean (truy cập ngày 27 tháng 7 năm 2022)

[4] NIST, “6. 4. 4. 6. 3. Đồ thị tự tương quan một phần”. đầu tiên. chính phủ. https. //www. nó. đầu tiên. gov/div898/handbook/pmc/section4/pmc4463. htm (truy cập ngày 27 tháng 7 năm 2022)

[5] “mô hình thống kê 0. 14. 0 (+497)”, “mô hình thống kê. tsa. công cụ thống kê. acf”. mô hình thống kê. tổ chức. https. //www. mô hình thống kê. org/dev/được tạo/statsmodels. tsa. công cụ thống kê. acf. html (truy cập ngày 27 tháng 7 năm 2022)

Giá trị ACF là gì?

ACF là hàm tự động tương quan (đầy đủ) cung cấp cho chúng tôi các giá trị tương quan tự động của bất kỳ chuỗi nào có giá trị trễ của nó . Chúng tôi vẽ các giá trị này cùng với dải tin cậy và tada. Chúng tôi có một cốt truyện ACF. Nói một cách đơn giản, nó mô tả mức độ liên quan giữa giá trị hiện tại của chuỗi với các giá trị trong quá khứ của nó.

Làm cách nào để nhận giá trị trang tùy chọn trong ACF?

Liên kết tới tiêu đề#ACF PRO . Khi thanh toán, bạn sẽ nhận được biên lai từ ACF và tài khoản người dùng cho phép truy cập vào các bản tải xuống của bạn. Sau khi ACF PRO được cài đặt, hãy nhập khóa cấp phép của bạn để bật cập nhật plugin. The Options Page can be installed by purchasing a license for ACF PRO. On payment, you will receive a receipt from ACF and a user account allowing access to your downloads. Once ACF PRO is installed, enter your license key to enable plugin updates.

Hàm nào được sử dụng để truy xuất giá trị của trường tùy chỉnh?

get_post_custom_values( string $key = '', int $post_id ) . mảng. vô giá trị. Truy xuất giá trị cho trường bài đăng tùy chỉnh.

Trường quan hệ ACF là gì?

Trường Mối quan hệ cung cấp thành phần hai cột để chọn một hoặc nhiều bài đăng, trang hoặc mục loại bài đăng tùy chỉnh . Loại trường này cung cấp các điều khiển lọc tìm kiếm, loại bài đăng và phân loại để giúp tìm kết quả.

programming