如何解释这些acf和pacf图

以下是每月数据系列的acf和pacf图。第二个图是带有ci.type ='ma'的acf：

acf图中高值的持续性可能代表了长期的积极趋势。问题是这是否代表季节性变化？

我尝试查看有关此主题的其他站点，但不确定这些图是否显示季节性。

ACF和PACF图分析

帮助解释ACF-和PACF-图

帮助了解以下ACF图片

自相关和部分自相关解释

编辑：以下是滞后高达60的图形：

以下是diff（my_series）的图：

直到滞后60：

编辑：此数据来自：这是测试自杀人数数据中季节性影响的适当方法吗？ 在这里，贡献者没有考虑值得一提的原始或差异系列的acf和pacf图（因此它一定不重要）。在几个地方仅引用了残差的acf / pacf图。

在以下情况下查看图表以尝试将数据引入一个可猜测的Arima模型中：1：在数据中没有异常值/脉冲/水平移动，本地时间趋势并且没有季节性确定性脉冲时，AND 2）当Arima模型具有3）当有Arima模型的误差方差随时间变化时具有恒定变化。这三件事什么时候成立，在大多数教科书数据集中都可以表示Arima建模的简便性。在我见过的每个现实世界的数据集中，什么时候不做...中的3个中的一个或更多？要简单地回答问题，就需要访问原始事实（历史数据），而不是情节中的辅助描述信息。但这只是我的意见！

收到数据后进行编辑：

我当时正在希腊度假（实际上只是在进行时间序列分析以外的事情），无法分析SUICIDE DATA，但与此帖子一起使用。现在，我提出了一个分析，以跟进/证明自己是正确的选择，该示例以我对多阶段模型识别策略的评论以及对简单相关图的简单视觉分析的失败作为“证据在布丁中”进行了举例说明。

这是原始数据的ACF。原始系列的PACF 。AUTOBOX http://www.autobox.com/cms/我曾帮助开发的一款软件使用启发式方法来识别初始模型。在这种情况下，最初识别出的模型是。对来自该模型的残差的诊断检查表明，使用水平偏移，脉冲和季节性脉冲对模型进行了一些增强。请注意，在周期164或前后检测到电平偏移，这几乎与早于@forecaster的关于周期176的结论相同。所有的道路都不通罗马，但有些道路可以使您靠近！。测试参数恒定性会拒绝参数随时间的变化。检查误差方差的确定性变化后得出的结论是，在误差方差中未检测到确定性变化。。需要功率变换的Box-Cox检验是肯定的，结论是对数变换是必要的。。最终模型在这里。最终模型的残差似乎没有任何自相关。最终模型残差的图似乎没有任何高斯违规。实际/适合/预测的情节在这里，预测在这里

ACF和PACF的解释

自相关函数的缓慢衰减表明数据遵循长时间存储过程。冲击的持续时间是相对持久的，并且会影响前面几项观察的数据。这可能是由数据中的平滑趋势模式反映的。

12阶的ACF和PACF超出了显着性置信带。但是，这并不一定意味着存在可识别的季节性模式。其他季节性订单（24、36、48、60）的ACF和PACF在置信带内。从该图形无法得出12阶ACF和PACF的重要性是否是由于季节性或暂时性波动引起的。

前面提到的ACF的持久性表明，可能需要先进行差异才能使数据保持平稳。但是，差分序列的ACF / PACF看起来很可疑，负相关可能是由差分滤波器引起的，实际上可能不合适。有关更多详细信息，请参见这篇文章。

确定是否存在季节性

ACF和PACF的分析应辅以其他工具，例如：

• 频谱（可查看频域中的ACF）可揭示周期的周期性，从而解释了数据中的大多数可变性。
• 拟合基本结构时间序列模型，并检查相对于其他参数（在R函数stats::StructTS和package stsm中），季节性分量的方差是否接近零。
• 基于季节性假人，季节性周期或X-12中描述和实施的季节性测试。
• 如IrishStat所述，检查脉冲和电平偏移的存在也是必要的，因为它们会扭曲先前方法的结论（在R中，封装tsoutliers对于此目的可能是有用的）。