我只想检查一下我是否正确解释了ACF和PACF图：
数据对应于在实际数据点之间生成的误差和使用AR（1）模型生成的估计值。
我在这里看了答案：
阅读后，似乎错误不是自相关的，但我只是想确定，我担心的是：
1.）第一个错误就在边界上（在这种情况下，我应该接受还是拒绝在滞后1存在明显的自相关）？
2.）线代表95％的置信区间，并且考虑到存在116个滞后，我希望不超过（0.05 * 116 = 5.8，我向上舍入为6个）6个滞后。对于ACF就是这种情况，但对于PACF大约有10个例外。如果把那些包括在边界上，那更像是14？这仍然表明没有自相关吗？
3.）我是否应该从一个事实中了解到所有违反95％置信区间的情况都是不利的？
Answers:
您显示的图中没有明显的结构。
处于带外的那些负局部自相关的滞后顺序不是彼此倍数（它们是滞后22、56、62、78、94），即，它们在常规次数的滞后后不会出现，例如12 ，24、36、48，因此我不会根据情节推断出任何模式。
作为补充，您可以应用运行测试，这是一项独立性测试，可能有助于捕获正值或负值的运行，这将暗示数据中的某些模式。
至于一些法定代理人的重要性，我认为它们的产生顺序很大。您应该考虑这些自相关是否有意义，或者在您的数据上下文中可能是期望的。期望在56个观测值之前观测到的值会影响当前观测值是否明智？如果我们有季度数据，则值得在滞后8和12时检查显着的相关性，因为它们是数据周期性的倍数，并且可能反映了一些我们可以在数据上下文中解释的季节性模式。但是，如果延迟9、11或更高的延迟产生了显着的延迟，而我没有足够的解释可以证明它是正常模式，我不会担心。
进行残差的相关图检查（实际数据点与估计值之间的差异）以检查ARIMA模型中是否未遗漏任何有关数据的重要模式。如果已捕获所有信息，则ACF和PACF图应类似于白噪声。
如果目视检查不能帮助您自信地假设相同的结果，则可以尝试对残差进行Box-Ljung检验。
在这种情况下，Box-Ljung检验的零假设是残差与白噪声没有区别。
以下是在r中运行测试的代码：
Box.test(residuals, lag = 28, fitdf = 5, type = "Ljung")
滞后值是根据滞后自相关系数的数量设置的，而fitdf是要减去的自由度的数量。对于ARIMA（p，d，q）（P，D，Q）m，我通常将fitdf设置为（p + q + P + Q）
如果Box-Ljung检验返回较大的p值，则表明残差没有剩余的自相关，即，它们类似于白噪声。