자기 상관 함수는 k 시간 단위로 구분된 시계열의 관측치(yt 및 yt–k) 간 상관의 측도입니다.
해석
ARIMA 모형을 식별하려면 자기 상관 함수와 편 자기 상관 함수를 함께 사용합니다. 각 시차에서 큰 값을 조사하여 유의한지 확인합니다. 유의한 큰 값이 유의 한계를 벗어나며, 이는 해당 시차에 대한 상관이 0이 아니라는 것을 나타냅니다.
다음 패턴은 ARIMA 모형에서 자기 회귀 항과 MA 항을 지정하는 데 도움이 됩니다.
참고
데이터가 정상적이어야 자기 상관 그림을 해석할 수 있습니다. 정상 시계열의 평균, 분산 및 자기 상관 함수는 전체 시간 동안 일정합니다. 자세한 내용은 자기 상관 함수에 대한 데이터 고려사항에서 확인하십시오.
| 패턴 | 패턴이 나타내는 내용 | 예 |
|---|---|---|
| 시차 1에서의 큰 값이 몇 시차 후에 감소함 | 데이터에 자기 회귀 항이 있음. 자기 회귀 항의 차수를 확인하려면 편 자기 상관 함수를 사용하십시오. |  |
| 시차 1에서의 큰 값 뒤에 양의 상관과 음의 상관 사이를 교대로 움직이는 감소파가 나옴. | 데이터에 고차 자기 회귀 항이 있음. 자기 회귀 항의 차수를 확인하려면 편 자기 상관 함수를 사용하십시오. |  |
| 첫 번째 또는 두 번째 시차에서의 유의한 상관 뒤에 유의하지 않은 상관이 있음. | 데이터에 이동 평균[MA] 항이 있음. 유의한 상관의 수가 이동 평균[MA] 항의 차수를 나타냅니다. |  |
이 그림에서는 시차 1에 유의한 상관이 있고 몇 시차 후에 감소합니다. 이 패턴은 자기 회귀 항을 나타냅니다. 자기 회귀 항의 차수를 확인하려면 편 자기 상관 함수를 사용해야 합니다.
