Interpretieren der partiellen Autokorrelationsfunktion (PACF)

Die partielle Autokorrelationsfunktion ist ein Maß für die Korrelation zwischen den um k Zeiteinheiten auseinander liegenden Beobachtungen einer Zeitreihe (yt und yt–k) nach Korrektur für das Vorhandensein aller andere Terme mit geringerem Lag (yt–1, yt–2, ..., yt–k–1).

Interpretation

Verwenden Sie die partielle Autokorrelationsfunktion zusammen mit der Autokorrelationsfunktion, um ARIMA-Modelle zu bestimmen. Suchen Sie in der partiellen Autokorrelationsfunktion nach den folgenden Mustern. Untersuchen Sie die Spitzen bei jedem Lag, um zu ermitteln, ob sie signifikant sind. Eine signifikante Spitze reicht über die Signifikanzgrenzen hinaus, was darauf hindeutet, dass die Korrelation für diesen Lag ungleich null ist.

Muster Bedeutung Beispiel
Große Spitze bei Lag 1, die nach einigen Lags abnimmt. Ein Term des gleitenden Durchschnitts in den Daten. Ermitteln Sie mit Hilfe der Autokorrelationsfunktion die Ordnung des Terms des gleitenden Durchschnitts.
Große Spitze bei Lag 1, gefolgt von einer gedämpften Welle, die zwischen positiven und negativen Korrelationen wechselt. Ein Term des gleitenden Durchschnitts höherer Ordnung in den Daten. Ermitteln Sie mit Hilfe der Autokorrelationsfunktion die Ordnung des Terms des gleitenden Durchschnitts.
Signifikante Korrelationen bei Lag 1 oder 2, gefolgt von nicht signifikanten Korrelationen. Ein autoregressiver Term in den Daten. Die Anzahl der signifikanten Korrelationen gibt die Ordnung des autoregressiven Terms an.

In diesem Diagramm zeigt sich eine signifikante Korrelation bei Lag 1, gefolgt von nicht signifikanten Korrelationen. Dieses Muster weist auf einen autoregressiven Term der 1. Ordnung hin.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien