私はACFとPACFのプロットを読み、モデルの遅れを判断するのに問題があります。次のプロットを私に与えACFとPACFの解釈
#create time series
NLdailyts <- ts(NLdaily$load, frequency =365.25, start = c(2010,1,1))
#difference time series
NLdailytsdiff <- diff(NLdailyts,differences = 365.25)
#ACF plot in days
## Calculate, but not plot, acf
acfpl<- acf(NLdailytsdiff, plot = FALSE)
## Transform the lags from years to days
acfpl$lag <- acfpl$lag * 365.25
## Plot the acf
plot(acfpl, xlab="Lag (days)")
#PACF plot in days
## Calculate, but not plot, acf
pacfpl<- pacf(NLdailytsdiff, plot = FALSE)
## Transform the lags from years to days
pacfpl$lag <- pacfpl$lag * 365
## Plot the acf
plot(pacfpl, xlab="Lag (days)")
:以下
date temperature load weekday month weekend day
1 2010-01-01 -28 256131 5 01 0 1
2 2010-01-02 -24 277749 6 01 1 2
3 2010-01-03 -53 264166 0 01 1 3
4 2010-01-04 -42 319847 1 01 0 4
5 2010-01-05 -17 321376 2 01 0 5
は、ACFを取得するにしてPACF私が行ってきた:
私は次のように見える毎日の電気負荷データを予測しています:
EDIT:正と負の値が交互になるとデータが静止していることがわかりました。
どのように両方を解釈する必要がありますか?そして、どのラグを使うべきですか?
このモデルをフィッティングする目的は何ですか?予測する場合は、予測パッケージからauto.arimaを使用してください。私は以下のコードをいくつか持っていますが、必要に応じてもっと詳細に行くことができます。 ARIMAは差分を使用してデータを固定し、使用するラグの数を自動的に選択します。 – Kristofersen
また、正の値と負の値が交互になることは、それが静止していることを意味するものではありません。あなたが本当に望むのは、PACFまたはACFに表示するパターンが重要でないと思われるフィットの残差ではありません。しかし、これは実際にはやや困難です。 – Kristofersen