在文章中： 通过Google趋势评估全球COPD意识 https://www.researchgate.net/publication/333155916_Assessing_global_COPD_awareness_with_Google_Trends
我发现了对统计分析的以下描述：
为了进行统计分析，我们将数据分为月份（季节部分）和一年中的季度，它们的定义如下：第1季度（Q1）= 1月– 3月，第2季度（Q2）= 4月– 6月第三季度（Q3）=七月至九月，第四季度（Q4）=十月-十二月。 使用Loess的时间序列的季节性分解（局部多项式拟合）进行相关分析，该方法可以将时间序列分解为季节性部分，趋势和不规则部分。 建立了一个通用的最小二乘模型，该模型考虑了残差之间的自相关性，以进一步评估经过季节性因素调整后的趋势是否随时间变化显着。根据AIC准则自动选择ARIMA模型参数得出残差的相关结构。
数据表示为系数β，标准误差和p值。
我完全不理解加粗的片段。我准备了一些代码，用于根据时间序列数据准备ARIMA模型。但是，我不知道自相关计算过程。
让我们看一些代码：
library(forecast)
data(AirPassengers)
model_arima<- auto.arima(y=AirPassengers,seasonal=TRUE,stepwise=TRUE)
model_arima
Series: AirPassengers
ARIMA(2,1,1)(0,1,0)[12]
Coefficients:
ar1 ar2 ma1
0.5960 0.2143 -0.9819
s.e. 0.0888 0.0880 0.0292
sigma^2 estimated as 132.3: log likelihood=-504.92
AIC=1017.85 AICc=1018.17 BIC=1029.35
...以及应该如何看待下一步以获得上述文章中的自相关结果？