2

所以我有一个时间序列,我无法与大家分享,但我有一些关于正确程序以适合我的数据的正确 ARIMA 模型的问题。

我已经成功编写了一个循环来确定需要进行何种程度的差分(I(d) 中的参数 d)

问题:

为了确定 p 和 q,我正在查看我的数据的 ACF 和 PACF 图。但是,我想知道是否应该对我的时间序列(趋势加随机误差,但没有可以稍后添加回来的季节性成分)或我的原始时间序列使用去季节化的转换。我使用 R 中的分解函数获得了季节性数据(stl() 明显更好吗?)。

使用原始时间系列,我的 acf 情节如下所示:

ACF 图

PACF 图

从 ACF 图来看,这里有一些明确的季节性因素。这是否意味着如果我需要使用这些数据,我需要在最终模型中识别非零季节性参数?在这种情况下如何选择季节性 P 和 Q?

使用去季节化的数据,这些图如下所示:

ACF 图 PACF 图

除了 ACF 图上滞后 6 处的峰值表明 p 可能为 6 之外,不知道如何解释季节性 PACF/ACF 图?

今年夏天刚刚学习了 ARIMA,希望了解该主题的任何人的帮助,如何根据我所展示的内容选择最佳参数。期待好的演讲:)

4

0 回答 0