R ACF和PACF解释
我很难阅读ACF和PACF图并确定模型的滞后 我正在预测每日电力负荷数据,如下所示:R ACF和PACF解释,r,time-series,forecasting,R,Time Series,Forecasting,我很难阅读ACF和PACF图并确定模型的滞后 我正在预测每日电力负荷数据,如下所示: 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
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
为了获得ACF和PACF,我执行了以下操作:
#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$lag * 365
## Plot the acf
plot(pacfpl, xlab="Lag (days)")
#创建时间序列
NLdailyts我认为我们需要确定ACF和PACF之间的差异。它们都显示了一个点和滞后点之间是否存在显著相关性。不同之处在于,PACF考虑了每个中间滞后点之间的相关性
查看ACF可能会产生误导,认为哪些要点是重要的。例如,如果y_(t-1)是强相关的,那么这种相关性可能出现在y_(t-2)、y_(t-3)等处
看看你的PACF图,看起来你想用AR(8)。但是,您也有每周数据,因此您可能希望设置每周的季节性,而不是每年的季节性
你可以这样做
library(forecast)
NLdailyts <- ts(NLdaily$load, frequency = 7, start = c(2010,1,1))
fit = auto.arima(NLdailyts)
库(预测)
NLdailyts安装此型号的目的是什么?如果您试图预测,只需使用预测包中的auto.arima。下面我有一些代码,但如果需要,可以更详细地介绍。ARIMA将使用差分法使数据平稳,并将自动选择使用多少滞后。此外,正负交替值并不意味着它是平稳的。你真正想要的是没有一个拟合的残差显示为显著的,也没有模式显示在PACF或ACF中。然而,这实际上可能有点困难。