Hvad fortæller autokorrelationsplot os?
Hvad fortæller autokorrelationsplot os?

Video: Hvad fortæller autokorrelationsplot os?

Video: Hvad fortæller autokorrelationsplot os?
Video: What does the Autocorrelation vs Lag Plot (Correlogram) tell us? (FRM Part 1, Quantitative Analysis) 2024, Kan
Anonim

An autokorrelationsplot er designet til at vise om elementerne i en tidsserie er positivt korreleret, negativt korreleret eller uafhængig af hinanden. (Forstavelsen auto betyder "selv"- autokorrelation refererer specifikt til korrelation mellem elementerne i en tidsserie.)

Hvad fortæller ACF-plot os heri?

Et korrelogram (også kaldet autokorrelationsfunktion ACF plot eller Autokorrelationsplot ) er en visuel måde at vise seriel korrelation i data, der ændrer sig over tid (dvs. tidsseriedata). Seriel korrelation (også kaldet autokorrelation ) er, hvor en fejl på et tidspunkt rejser til et efterfølgende tidspunkt.

Man kan også spørge, hvordan du fortolker PACF- og ACF-plottene? LÆSNING AF ACF OG PACF PLOTT:

  1. De negative værdier i plottet reagerer på en proces på formen yt=k−θϵt−1+ϵt.
  2. I dette eksempel er ACF signifikant i den første og anden forsinkelse, mens PACF følger et geometrisk henfald.
  3. Her henfalder ACF geometrisk, og PACF viser kun én signifikant forsinkelse.

Hvad fortæller autokorrelationsfunktionen dig?

Det autokorrelationsfunktion er et af de værktøjer, der bruges til at finde mønstre i dataene. Specifikt autokorrelationsfunktionen fortæller dig korrelationen mellem punkter adskilt af forskellige tidsforsinkelser. Altså ACF fortæller dig hvordan korrelerede punkter er med hinanden, baseret på hvor mange tidstrin de er adskilt af.

Hvad er forskellen mellem autokorrelation og delvis autokorrelation?

Korrelation mellem to variable kan være resultatet af en gensidig lineær afhængighed af andre variable (forvirrende). Delvis autokorrelation er autokorrelation mellem yt og yth efter fjernelse af enhver lineær afhængighed af y1, y2, yth+1. Det delvis lag-h autokorrelation er betegnet ϕ h, h.

Anbefalede: