ACF＆amp; PACF

Question

从2016年5月1日至2017年5月31日，每天有96次能耗预测。我正在尝试将R中的ARIMA模型拟合到这些时间序列观测中。我选择时间序列的频率为96.总共有38016个观测值。 我在R中使用tsclean命令清除了系列，以删除异常值。

timeseries <- ts(full$consumption, frequency = 96)

清理时间序列：

timeseries <- tsclean(timeseries)

然后我对这个系列有所不同：

diffts <- diff(timeseries)

然后我分解了系列以从中获取季节性成分。从中减去季节性成分以延长它。

difftscomponent <- decompose(diffts)
adjusted_diffts <- diffts - difftscomponent$seasonal

最终时间序列的ACF情节：

acf(adjusted_diffts)

最终时间序列的PACF：

pacf(adjusted_diffts)

有三个问题：

1. 通常，ACF的X轴和时间序列的PACF图将显示从1到...的滞后顺序。将有整数值指示滞后的数量。那么为什么在我的情况下有0.1 ......的十进制值？这表明了什么？怎么做才能获得滞后数？

2. 通过查看ACF和PACF情节，我的案例中AR和MA的可能顺序是什么？

   3.我已经改变了原始的时间序列，即使其静止并将其延长，以便适合ARIMA模型。通过查看最终调整后的时间序列，是否可以说它适合建模或是否需要进一步转换？

Answer 1

1. 这是将data.frame格式化为time.series的结果。我现在无法测试它，因为我现在无法访问R但是回到一个简单的data.frame应该可以完成这项任务，一些事情（可能有更优雅的方式） ：

   acf(data.frame(adjusted_diffts)
   

2. 虽然绘制的ACF / PACF给出了需要纠正滞后的指示，但ARIMA-Order的选择应该由e完成。 G。检查ARIMA（p，d，q）的多个组合，并选择具有最佳（最低）AIC的组合。 Here是测试不同订单的文章+代码示例。

3. 我无法肯定地回答。我将使用您拥有和之后的数据，拟合ARIMA模型，检查任何剩余结构的残差。如果残差中仍有结构，则可能需要调整数据/模型。

修改：格式化