Acf, pacf, arima, arfima.

Az előadások a következő témára: "Acf, pacf, arima, arfima."— Előadás másolata:

1 Acf, pacf, arima, arfima

2 Acf A korrelációs együttható az egyik legismertebb kapcsolati mérőszám. Értéke azt mutatja, hogy a vizsgált két (X, Y) kvantitatív - legalább intervallum vagy arányskálájú - változó milyen lineáris kapcsolatban van egymással, milyen az együtt járásuk, együttmozgásuk. E két utóbbi kifejezés talán jobban rávilágít a korreláció lényegére, nevezetesen arra, hogy nem ok-okozati viszony méréséről, nem hatások, egymásra hatások feltérképezéséről van szó, hanem lineáris együttváltozásról. A gyakorlatban egyszerűen ez azt jelenti, hogy szoros együtt járás esetén nem helyes érvelés, hogy „X változó azért magas, mert Y is magas". Y nem oka X-nek és X nem okozhatja Y változását.

3 Acf Acf(x, lag.max = NULL, type = c("correlation", "covariance", "partial"), plot = TRUE, na.action = na.contiguous, demean = TRUE, ...) lag.max maximum lag at which to calculate the acf. Default is $10*log10(N/m)$ where $N$ is the number of observations and $m$ the number of series. Will be automatically limited to one less than the number of observations in the series. type character string giving the type of acf to be computed. Allowed values are “correlation” (the default), “covariance” or “partial”. plot logical. If TRUE (the default) the resulting acf, pacf or ccf is plotted.

4 Pacf A parciális korreláció egy olyan statisztikai módszer, amely során két kvantitatív, folytonos változó kapcsolatát egy harmadik, az előző kettővel valószínűleg kapcsolatban álló változó hatásának kontrollálásával, kiszűrésével vizsgáljuk. A parciális korreláció arra ad tehát választ, hogy milyen mértékű lenne X és Y változók között a kapcsolat, ha kiszűrnénk Z változó hatását az X és Y változóra. Az X változót tekintjük itt a független változónak, az Y-t pedig a függő változónak.

5 Pacf Pacf(x, lag.max = NULL, plot = TRUE, na.action = na.contiguous, demean = TRUE, ...)

6 Arima Az ARIMA modell egy tipikus lineáris modell, melyet gyakran használnak összehasonlítási alapként. A múlt időbeli összefüggéseit vetítik előre egyszerűen kívülről adott vagy kalibrált paraméterekkel. ARMA-ARIMA (AutoRegresszív (Integrált) Mozgó Átlagolású) típusú modellek: sztochasztikus szemléletűek, az idősorok korábbi értékeinek és véletlen komponenseknek a bonyolult rendszerét tekintik alapul.

7 Arima arfima(y, drange = c(0, 0.5), estim = c("mle", "ls"), model = NULL, lambda = NULL, biasadj = FALSE, x = y, ...) fracdiff, auto.arima, forecast.fracdiff, Arima(y, order = c(0, 0, 0), seasonal = c(0, 0, 0), xreg = NULL,include.mean = TRUE, include.drift = FALSE, include.constant,lambda = model$lambda, biasadj = FALSE, method = c("CSS-ML", "ML","CSS"), model = NULL, x = y, ...)

8 Szemléltetés X – 100 elem 1 és 100 között Plot Acf Pacf Arima