R中ACF和PACF的显着性水平答案

【问题标题】：Significance level of ACF and PACF in RR中ACF和PACF的显着性水平
【发布时间】：2015-07-11 21:04:09
【问题描述】：

我想获得确定自相关系数和偏自相关系数显着性的极限，但我不知道该怎么做。

我使用此函数pacf(data) 获得了部分自相关图。我希望 R 打印图中指示的值。

【问题讨论】：

这可能更适合stats.stackexchange.com
您可以使用edit(stats:::plot.acf)了解他们的计算方式。
但是，如何在控制台中打印它们？
提供reproducible example。提供示例数据，显示您正在运行的函数，并显示您想要提取的值（期望的输出）。
来自函数edit(stats:::plot.acf)，clim0 <- qnorm((1 + ci)/2)/sqrt(x$n.used)，其中ci是显着性水平[0,1]，x$n.used是serie的长度。

【解决方案1】：

确定自相关系数显着性的限制为：(exp(2*1.96/√(N-3)-1)/(exp(2*1.96/√(N-3) )+1).

这里 N 是时间序列的长度，我使用了 95% 的置信水平。

【讨论】：

【解决方案2】：

与为测试选择的m % 置信区间对应的相关值由0 ± i/√N 给出，其中：

N是时间序列的长度

i 是我们期望 m % 在零自相关的零假设下相关性的标准差数。

由于观察到的相关性被假定为正态分布：

Figure A1, Page 1011 here 提供了一个很好的例子，说明上述原则如何在实践中应用。

【讨论】：

这并不能真正回答问题。 OP 可能熟悉这些界限，但不知道如何从 R 中获取它们，这就是问题所在。
一旦你知道它们是什么，在 R 中获取边界是微不足道的，所以我认为这里非常需要对这些边界的概念基础进行简要解释。无论如何，如果 OP 仍然需要关于如何在 R 中准确执行此操作的帮助，她/他可以这样说，我或其他任何人都可以通过示例扩展我和 @Pascal 的答案。
OP确实这么说。这就是问题所要问的——如何在 R 中做到这一点。
@AlexA。您有答案编辑权限吗？如果是，请继续并在我的答案中添加您认为缺少的内容或给出新的答案。完全不介意。

【解决方案3】：

在研究了 acf 和 pacf 函数以及具有 CIz 和 CIr 函数的库心理测量学之后，我发现了这个简单的代码来完成这项任务：

计算 z Fisher 的置信区间：

ciz = c(-1,1)*(-qnorm((1-alpha)/2)/sqrt(N-3))

这里的 alpha 是置信水平（通常为 0.95）。 N - 观察次数。

【讨论】：