ACF 和 PACF 图的置信度非常小。如何解读？答案

【问题标题】：ACF and PACF plot has very small confidence level. How to interpret?ACF 和 PACF 图的置信度非常小。如何解读？
【发布时间】：2022-01-03 19:39:01
【问题描述】：

我对一般编程比较陌生，所以如果问题相当基本，请原谅我。

我正在尝试确定 ARIMA 模型的p、d、q 值，并且我已经进行了一个确定我的时间序列是平稳的测试.但是，当我绘制 ACF 和 PACF 图时，我得到以下信息：

ACF plot

PACF plot

根据我对p 值的了解，我应该选择线首先穿过置信区间的值，但我不确定为什么两者的置信区间都那么小？这是否意味着根据 PACF 图我的 MA 值应该是 2？任何解释图表的帮助将不胜感激！

我的代码：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
fig = plt.figure(figsize=(20, 12))

fig = plot_acf(train_set.dropna(), lags=10)
fig = plot_pacf(train_set.dropna(), lags=10)

【问题讨论】：

标签： python time-series arima autocorrelation

【解决方案1】：

d 组件用于通过差分使数据平稳，如果 adf 测试（和 kpss 测试）显示数据是平稳的，您可以将其设置为 0。但是，请记住，您不能相信这些100% 测试。

置信区间表明相关性是否在统计上显着，这意味着相关性很可能不是随机的。跨越置信区间的所有条形都是可用于建模的“真实”相关性。

有数以千计的经验法则可以解释这些图。我推荐以下：

如果 ACF 下降，请使用与 PACF 具有显着且强相关性的 MA 模型。

如果 PACF 落后，请使用与 ACF 具有显着且强相关性的 AR 模型。

你也可以看看这里：

https://towardsdatascience.com/identifying-ar-and-ma-terms-using-acf-and-pacf-plots-in-time-series-forecasting-ccb9fd073db8

我猜你用 statsmodels 创建了图，在这种情况下，你应该记住滞后 0（图中的第一个）是时间序列与其自身的相关性，因此它总是 +1 且显着，您可以忽略此滞后。在您的情况下，ACF 正在下降，而 PACF 只有一个统计显着性且与第一个滞后具有很强的相关性，也许您也可以使用 2、3 和 4，但它们非常弱。最好的当然是如果你只是尝试一下。或者你可以使用 pmdarima 的 auto_arima() 函数：

https://alkaline-ml.com/pmdarima/tips_and_tricks.html

https://alkaline-ml.com/pmdarima/modules/generated/pmdarima.arima.auto_arima.html

【讨论】：