時系列分析 - R に基づく | 第 3 章 ARMA モデルのプロパティ
過去の記事
時系列分析 - R に基づく | 第 1 章 演習コード
時系列分析 - R に基づく | 第 2 章 時系列の前処理演習コード
-
あるAR(1) AR(1) が存在することが知られていますR ( 1 )モデルは次のとおりです:xt = 0.7 xt − 1 + ε t , ε t 〜 WN ( 0 , 1 )。x_t=0.7x_{t-1}+\varepsilon_t,\varepsilon_t \sim WN(0,1)。バツた=0.7倍_t − 1+eた、eた〜W N ( 0 ,1 ) .求E ( xt ) 、V ar ( xt ) 、ρ 2 E(x_t),Var(x_t),\rho_2そして( xた)、( ×あります)た)、r2およびϕ 22 . \phi_{22}。ϕ22。
E ( xt ) = ϕ 0 1 − ϕ 1 = 0 1 − 0.7 = 0 E\left(x_t\right)=\frac{\phi_{0}}{1-\phi_{1}}=\frac{0 {1-0.7}=0E( ×た)=1 − ϕ1ϕ0=1 − 0.70=0
Var ( xt ) = 1 1 − ϕ 1 2 = 1 1 − 0. 7 2 = 1.96 Var(x_t)=\frac{1}{1-\phi_{1}^{2}}=\frac{1 }{1-0.7^2}=1.96( ×あります)た)=1 − ϕ121=1 − 0.7 _21=1.96
ρ 2 = ϕ 1 2 = 0.7 2 = 0.49 \rho_2=\phi_1^2=0.7^2=0.49r2=ϕ12=0.7 _2=0.49
ϕ 22 = ∣ 1 ρ 1 ρ 1 ρ 2 ∣ ∣ 1 ρ 1 ρ 1 1 ∣ = 0.49 − 0. 7 2 1 − 0. 7 2 = 0 \phi_{22}=\frac{\left|\begin{配列}{cc}1 & \rho_{1} \\\rho_{1} & \rho_{2}\end{配列}\right|}{\left|\begin{配列}{cc}1 & \rho_ {1} \\\rho_{1} & 1\end{配列}\right|}=\frac{0.49-0.7^{2}}{1-0.7^{2}}=0ϕ22= 1r1r11 1r1r1r2 =1 − 0.7 _20.49 − 0.7 _2=0
-
あるAR ( 2 ) \operatorname{AR}(2)が存在することが知られています。AR ( 2 )モデル:xt = ϕ 1 xt − 1 + ϕ 2 xt − 2 + ε t , ε t 〜 WN ( 0 , σ ε 2 ) x_t=\phi_1 x_{t-1}+\phi_2 x_{ t -2}+\varepsilon_t, \varepsilon_t \sim WN\left(0, \sigma_{\varepsilon}^2\right)バツた=ϕ1バツt − 1+ϕ2バツt − 2+eた、eた〜WN _( 0 ,pe2)、ρ 1 = \rho_1=r1= 0.5 、ρ 2 = 0.3 0.5、\rho_2=0.30.5 、r2=0.3、求ϕ 1 、ϕ 2 \phi_1, \phi_2ϕ1、ϕ2価値。
AR ( 2 ) AR(2)A R ( 2 )モデル:
{ ρ 1 = ϕ 1 1 − ϕ 2 ρ 2 = ϕ 1 ρ 1 + ϕ 2 ⇒ { 0.5 = ϕ 1 1 − ϕ 2 0.3 = 0.5 ϕ 1 + ϕ 2 ⇒ { ϕ 1 = 7 15 , ϕ 2 = 1 15 ϕ 2 = 1 15 \left\{\begin{array} { l } { \rho _ { 1 } = \frac { \phi _ { 1 } } { 1 - \phi _ { 2 } } } \\ { \rho _ { 2 } = \phi _ { 1 } \rho _ { 1 } + \phi _ { 2 } } \end{array} \Rightarrow \left\{\begin{array } { l } { 0 . 5 = \frac { \phi _ { 1 } } { 1 - \phi _ { 2 } } } \\ { 0 . 3 = 0。5 \phi _ { 1 } + \phi _ { 2 } } \end{array} \Rightarrow \left\{\begin{array}{l} \phi_1=\frac{7}{15}, \phi_2=\ frac{1}{15} \\ \phi_2=\frac{1}{15} \end{配列}\right.\right.\right.{ r1=1 − ϕ2ϕ1r2=ϕ1r1+ϕ2⇒{ 0.5=1 − ϕ2ϕ10.3=0.5φ _1+ϕ2⇒{ ϕ1=157、ϕ2=151ϕ2=151 -
あるAR ( 2 ) \operatorname{AR}(2)が存在することが知られています。AR ( 2 )モデルは次のとおりです:(1 − 0.5 B) (1 − 0.3 B) xt = ε t, ε t 〜 WN (0, 1) (1-0.5 B)(1-0.3 B) x_t=\varepsilon_t , \varepsilon_t \sim WN(0,1)( 1−0.5B ) ( 1 _−0.3B ) × _た=eた、eた〜W N ( 0 ,1 ) , 求E ( xt ) E\left(x_t\right)E( ×た) ,Var ( xt ) , ρ k , ϕ kk \operatorname{Var}\left(x_t\right), \rho_k, \phi_{kk}だった( ×た)、rk、ϕkk、ここで、k = 1、2、3 k=1、2、3k=1 、2 、3.
(1) ( 1 − 0.5 B ) ( 1 − 0.3 B ) xt = ε t ⇔ xt = 0.8 xt − 1 − 0.15 xt − 2 + ε t (1-0.5 B)(1-0.3 B) x_t=\varepsilon_t \Leftrightarrow x_t=0.8 x_{t-1}-0.15 x_{t-2}+\varepsilon_t( 1−0.5B ) ( 1 _−0.3B ) × _た=eた⇔バツた=0.8 ×t − 1−0.15倍t − 2+eた
E ( xt ) = ϕ 0 1 − ϕ 1 − ϕ 2 = 0 E\left(x_t\right)=\frac{\phi_0}{1-\phi_1-\phi_2}=0E( ×た)=1−ϕ1−ϕ2ϕ0=0
(2)
Var ( xt ) = 1 − ϕ 2 ( 1 + ϕ 2 ) ( 1 − ϕ 1 − ϕ 2 ) ( 1 + ϕ 1 − ϕ 2 ) = 1 + 0.15 ( 1 − 0.15 ) ( 1 − 0.8 + 0.15 ) ( 1 + 0.8 + 0.15 ) = 1.98 \begin{aligned} \operatorname{Var}\left(x_t\right) & =\frac{1-\phi_2}{\left(1+\phi_2\right) )\left(1-\phi_1-\phi_2\right)\left(1+\phi_1-\phi_2\right)} \\ & =\frac{1+0.15}{(1-0.15)(1-0.8+ 0.15)(1+0.8+0.15)} \\ & =1.98 \end{整列}だった( ×た)=( 1+ϕ2)( 1−ϕ1−ϕ2)( 1+ϕ1−ϕ2)1−ϕ2=( 1−0.15 ) ( 1−0.8+0.15 ) ( 1+0.8+0.15 )1+0.15=1.98
(3)
ρ 1 = ϕ 1 1 − ϕ 2 = 0.8 1 + 0.15 = 0.70 ρ 2 = ϕ 1 ρ 1 + ρ 2 = 0.8 × 0.7 − 0.15 = 0.41 ρ 3 = ϕ 1 ρ 2 + ϕ 2 ρ 1 = 0.8 × 0.41 − 0.15 × 0.7 = 0.22 \begin{aligned} & \rho_1=\frac{\phi_1}{1-\phi_2}=\frac{0.8}{1+0.15}=0.70 \\ & \rho_2=\ phi_1 \rho_1+\phi_2=0.8 \times 0.7-0.15=0.41 \\ & \rho_3=\phi_1 \rho_2+\phi_2 \rho_1=0.8 \times 0.41-0.15 \times 0.7=0.22 \end{aligned}r1=1−ϕ2ϕ1=1+0.150.8=0.70r2=ϕ1r1+ϕ2=0.8×0.7−0.15=0.41r3=ϕ1r2+ϕ2r1=0.8×0.41−0.15×0.7=0.22
(4)
ϕ 11 = ρ 1 = 0.7 ϕ 22 = ϕ 2 = − 0.15 ϕ 33 = 0 \begin{aligned} \phi_{11} & =\rho_1=0.7 \\ \phi_{22} & =\phi_2= -0.15 \\ \phi_{33} & =0 \end{整列}ϕ11ϕ22ϕ33=r1=0.7=ϕ2=−0.15 _=0 -
AR ( 2 ) \operatorname{AR}(2)であることが知られています。AR ( 2 )の数列は、 xt = xt − 1 + cxt − 2 + ε t x_t=x_{t-1}+c x_{t-2}+\varepsilon_t です。バツた=バツt − 1+cx _t − 2+eた、ここで{ ε t } \left\{\varepsilon_t\right\}{ eた}はホワイト ノイズ シーケンスです。cの値の範囲は、{ xt } \left\{x_t\right\} を保証するためのものです。{ ×た}は定常シーケンスであり、シーケンスρ k \rho_krk表現。
(1) AR (2) AR(2)A R ( 2 )モデルの定常状態は次のようになります。
{ ∣ c ∣ < 1 c ± 1 < 1 ⇒ { − 1 < c < 1 c < 0 ⇒ − 1 < c < 0 \left\{\begin{array}{l}|c|<1 \\ c \ pm 1<1\end{array} \Rightarrow\left\{\begin{array}{l}-1<c<1 \\ c<0\end{array} \Rightarrow-1<c<0\right。 \右。{ ∣ c ∣<1c±1<1⇒{ − 1<c<1c<0⇒− 1<c<0
(2) { ρ 1 = 1 1 − c , ρ k = ρ k − 1 + c ρ k − 2 , k ≥ 2 \left\{\begin{array}{l}\rho_{1}=\frac{ 1}{1-c}、\\ \rho_{k}=\rho_{k-1}+c \rho_{k-2}、k \geq 2\end{array}\right。{ r1=1 − c1、rk=rk − 1+cρ _k − 2、k≥2
-
任意の定数ccについてそれを証明してくださいc , AR (3) は次のように定義されます\mathrm{AR}(3)AR ( 3 )シーケンスは非定常シーケンスでなければなりません:
xt = xt − 1 + cxt − 2 − cxt − 3 + ε t , ε t 〜 WN ( 0 , σ ε 2 ) x_t=x_{t-1} +c x_{ t-2}-c x_{t-3}+\varepsilon_t, \varepsilon_t \sim WN\left(0, \sigma_{\varepsilon}^2\right)バツた=バツt − 1+cx _t − 2−cx _t − 3+eた、eた〜WN _( 0 ,pe2)
証明:
この数列の特性方程式は次のとおりです: λ 3 − λ 2 − c λ + c = 0 \lambda^{3}-\lambda^{2}-c \lambda+c=0私3−私2−cl_+c=0 の場合、この特性方程式を解くと、次の 3 つの特性根が得られます。
λ 1 = 1 、 λ 2 = c 、 λ 3 = − c \lambda_{1}=1、 \quad \lambda_{2}=\sqrt{c}、 \quad \lambda_{3}=-\sqrt{c }私1=1 、私2=c、私3=−c
cc問わずcの値がどのようなものであっても、この方程式には単位円上に特性根があるため、数列は非定常数列でなければなりません。認証が完了しました。
-
AR ( 1 )の場合\mathrm{AR}(1)AR ( 1 )モデル:xt = ϕ 1 xt − 1 + ε t , ε t 〜 WN ( 0 , σ ε 2 ) x_t=\phi_1 x_{t-1}+\varepsilon_t, \varepsilon_t \sim WN\left( 0、\sigma_{\varepsilon}^2\right)バツた=ϕ1バツt − 1+eた、eた〜WN _( 0 ,pe2)として、次の命題が正しいかどうかを判断します:
(1)γ 0 = ( 1 + ϕ 1 2 ) σ ε 2 \gamma_0=\left(1+\phi_1^2\right) \sigma_{\varepsilon}^2c0=( 1+ϕ12)pe2
(2) E [ ( xt − μ ) ( xt − 1 − μ ) ] = − ϕ 1 E\left[\left(x_t-\mu\right)\left(x_{t-1}-\mu\right )\right]=-\phi_1E[ ( xた−メートル)( ×t − 1−メートル) ]=− ϕ1
(3) ρ k = ϕ 1 k \rho_k=\phi_1^krk=ϕ1k
(4) ϕ kk = ϕ 1 k \phi_{kk}=\phi_1^kϕkk=ϕ1k
(5) ρ k = ϕ 1 ρ k − 1 \rho_k=\phi_1\rho_{k-1}rk=ϕ1rk − 1
もちろん!各ステートメントの答えと計算プロセスは次のとおりです。
(1) 错误。γ 0 = σ ε 2 1 − ϕ 1 2 \gamma_0=\frac{\sigma_{\varepsilon}^2}{1-\phi_1^2}c0=1 − ϕ12pe2
(2) 暗号。E [ ( xt − μ ) ( xt − 1 − μ ) ] = ϕ 1 γ 1 E\left[ \left(x_t-\mu\right)\left(x_{t-1}- \mu\right) \right]=\phi_1\gamma_1E[ ( xた−メートル)( ×t − 1−メートル) ]=ϕ1c1E ( xt ) = E [ ϕ 1 xt − 1 +
ε t ] = ϕ 1 E ( xt − 1 ) + E ( ε t ) = ϕ 1 E ( xt ) + 0 = 0 \begin{aligned } E( x_t) &= E[\phi_1x_{t-1}+\varepsilon_t] \\ &= \phi_1E(x_{t-1})+E(\varepsilon_t) \\ &= \phi_1E(x_t)+ 0 \\ &= 0 \end{整列}そして( xた)=E [ ϕ1バツt − 1+eた】=ϕ1そして( xt − 1)+E ( eた)=ϕ1そして( xた)+0=0
これから、μ = 0 \mu=0を得ることができます。メートル=0も、与えられた場合:
E [ ( xt − μ ) ( xt − 1 − μ ) ] = E [ xtxt − 1 ] = E [ ( ϕ 1 xt − 1 + ε t ) xt − 1 ] = ϕ 1 E xt − 1 2 ] + E [ ε txt − 1 ] = ϕ 1 γ 0 \begin{aligned} E\left[\left(x_t-\mu\right)\left(x_{t-1}-\mu\ right) \right] &= E[x_tx_{t-1}] \\ &= E[(\phi_1x_{t-1}+\varepsilon_t)x_{t-1}] \\ &= \phi_1 E[x_ {t -1}^2] + E[\varepsilon_t x_{t-1}] \\ &= \phi_1 \gamma_0 \end{aligned}E[ ( xた−メートル)( ×t − 1−メートル) ]=そして[ ×たバツt − 1】=E [( ϕ1バツt − 1+eた) ×t − 1】=ϕ1そして[ ×t − 12】+E [ eたバツt − 1】=ϕ1c0
したがって、この命題は偽です。
(3) 正解です。AR(1) モデルには定常性と有限の 2 次モーメント特性があるため、k > 0 k > 0の場合k>0の場合、 ρ k = ϕ 1 k \rho_k=\phi_1^k になります。rk=ϕ1k
(4) 定義ϕ kk = { ϕ 1 , k = 1 0 , k ⩾ 2 \phi_{kk}=\begin{cases}\phi_1,&k=1\\ 0,&k\geqslant2\end{cases }ϕkk={ ϕ1、0、k=1k⩾2
(5) 正解です。AR(1) モデルには定常性と有限の 2 次モーメント特性があるため、k > 0 k > 0の場合k>0の場合、 ρ k = ϕ 1 ρ k − 1 \rho_k=\phi_1\rho_{k-1} となります。rk=ϕ1rk − 1。 -
ある集中型MA (1) \mathrm{MA}(1)が存在することが知られています。MA ( 1 )モデルの一次自己相関係数ρ 1 = 0.4 \rho_1=0.4r1=0.4 , このモデルの式を求めます。
ρ 1 = − θ 1 1 + θ 1 2 = 0.4 ⇒ 0.4 θ 1 2 + θ 1 + 0.4 = 0 ⇒ θ 1 = − 2 または θ 1 = − 1 2 \rho_{ 1}=\frac{-\theta_{1}}{1+\theta_{1}^{2}}=0.4 \Rightarrow 0.4 \theta_{1}^{2}+\theta_{1}+0.4=0 \Rightarrow \theta_{1}=-2 \text { または} \theta_{1}=-\frac{1}{2}r1=1+私12−私1=0.4⇒0.4i _12+私1+0.4=0⇒私1=− 2またはθ 1=−21したがって、モデルには 2 つの可能な式があります: xt = ε t + 1 2 ε t − 1 x_{t}=\varepsilon_{t}+\frac{1}{2} \varepsilon_{t-1}バツた=eた+21et − 1和xt = ε t + 2 ε t − 1 x_{t}=\varepsilon_{t}+2 \varepsilon_{t-1}バツた=eた+2e _t − 1。
-
定数CCを決定するCの値は、次の式がMA (2) \mathrm{MA}(2)MA ( 2 )モデル:
xt = 10 + 0.5 xt − 1 + ε t − 0.8 ε t − 2 + C ε t − 3 x_t=10+0.5 x_{t-1}+\varepsilon_t-0.8 \varepsilon_{t-2}+C \varepsilon_ {t-3}バツた=10+0.5倍_t − 1+eた−0.8e _t − 2+Cε _t − 3
将xt = 10 + 0.5 xt − 1 + ε t − 0.8 ε t − 2 + C ε t − 3 x_{t}=10+0.5 x_{t-1}+\varepsilon_{t}-0.8 \varepsilon_{ t-2}+C \バレプシロン_{t-3}バツた=10+0.5倍_t − 1+eた−0.8e _t − 2+Cε _t − 3同等の式は、
xt − 10 = 1 − 0.8 B 2 + c B 3 1 − 0.5 B ε t = ( 1 + a B + b B 2 ) ε t x_{t}-10=\frac{1-0.8 B です。 ^{2}+c B^{3}}{1-0.5 B} \varepsilon_{t}=\left(1+a B+b B^{2}\right) \varepsilon_{t}バツた−10=1−0.5B _1−0.8B _2+c B3eた=( 1+B_+bB _2 )eた
ルール
1 − 0.8 B 2 + c B 3 = ( 1 + a B + b B 2 ) ( 1 − 0.5 B ) = 1 + ( a − 0.5 ) B + ( b − 0.5 a ) B 2 − 0.5 b B 3 \ begin{aligned} 1-0.8 B^{2}+c B^{3} & =\left(1+a B+b B^{2}\right)(1-0.5 B) \\ & =1+ (a-0.5) B+(b-0.5 a) B^{2}-0.5 b B^{3} \end{aligned}1−0.8B _2+c B3=( 1+B_+bB _2 )( 1−0.5B ) _=1+( _−0.5 ) B+( b−0.5a ) B _2−0.5bB_ _ _3
未定係数法によると、次のようになります。
− 0.8 = a − 0.5 ⇒ a = − 0.3 0 = − 0.5 b ⇒ b = 0 c = b − 0.5 a ⇒ c = 0.15 \begin{aligned} -0.8 & =a-0.5 \Rightarrow a=-0.3 \\ 0 & =-0.5 b \Rightarrow b=0 \\ c & =b-0.5 a \Rightarrow c=0.15 \end{aligned}−0.8 _0c=ある−0.5⇒ある=−0.3 _=−0.5b _ _⇒b=0=b−0.5a _⇒c=0.15
-
既知のMA (2) \mathrm{MA}(2)MA ( 2 )モデル:xt = ε t − 0.7 ε t − 1 + 0.4 ε t − 2 , ε t 〜 WN ( 0 , σ ε 2 ) x_t=\varepsilon_t-0.7 \varepsilon_{t-1}+0.4 \ varepsilon_{t-2}, \varepsilon_t \sim WN\left(0, \sigma_{\varepsilon}^2\right)バツた=eた−0.7e _t − 1+0.4e _t − 2、eた〜WN _( 0 ,pe2)。求E ( xt ) , Var ( xt ) E\left(x_t\right), \operatorname{Var}\left(x_t\right)E( ×た)、だった( ×た)、およびρ k ( k ⩾ 1 ) \rho_k(k \geqslant 1)rk( k⩾1 )。
(1) E ( xt ) = 0 E\left(x_{t}\right)=0E( ×た)=0
(2) Var ( xt ) = 1 + 0. 7 2 + 0. 4 2 = 1.65 \operatorname{Var}\left(x_{t}\right)=1+0.7^{2}+0.4^{2 }=1.65だった( ×た)=1+0.7 _2+0.4 _2=1.65
(3) ρ 1 = − 0.7 − 0.7 × 0.4 1.65 = − 0.59 、ρ 2 = 0.4 1.65 = 0.24 、ρ k = 0 、k ≥ 3 \rho_{1}=\frac{-0.7-0.7 \times 0.4} {1.65}=-0.59、\quad \rho_{2}=\frac{0.4}{1.65}=0.24、\quad \rho_{k}=0、k \geq 3r1=1.65− 0.7 − 0.7 × 0.4=− 0.59 、r2=1.650.4=0.24 、rk=0 、k≥3
-
証明する:
(1) 任意の定数ccの場合cの場合、次のように定義される無限次 MA シーケンスは非定常シーケンスでなければなりません:
xt = ε t + c ( ε t − 1 + ε t − 2 + ⋯ ) , ε t 〜 WN ( 0 , σ ε 2 ) x_{t}= \varepsilon_{t}+c\left(\varepsilon_{t-1}+\varepsilon_{t-2}+\cdots\right), \quad \varepsilon_{t} \sim WN\left( 0、\sigma_{ \varepsilon}^{2}\right)バツた=eた+c( et − 1+et − 2+⋯)、eた〜WN _( 0 ,pe2)証明: 任意の定数 C について、次のようになります。
Var ( xt ) = lim k → ∞ ( 1 + k C 2 ) σ ε 2 = ∞ \operatorname{Var}\left(x_{t}\right)=\lim_{k\rightarrow\infty}\ left ( 1 + k C ^ { 2 } \ right ) \ sigma_ { \ productpsilon } ^ { 2 } = \ inftyだった( ×た)=k → ∞リム( 1+k C2 )pe2=∞
したがって、この系列は非定常系列です。
(2) { xt } \left\{x_{t}\right\}{ ×た}の一次差分シーケンスは{ yt } \left\{y_{t}\right\} を{ yた}自己相関係数式:
yt = xt − xt − 1 y_{t}=x_{t}-x_{t-1}yた=バツた−バツt − 1yt = xt − xt − 1 = ε t + ( C − 1 ) ε t − 1 y_{t}=x_{t}-x_{t-1}=\varepsilon_{t}+(C-1) \varepsilon_ {t-1}yた=バツた−バツt − 1=eた+( C−1 ) et − 1、次にシーケンス{ yt } \left\{y_{t}\right\}{ yた次の条件を満たします。
平均と分散は定数なので、
E ( yt ) = 0 、 Var ( yt ) = [ 1 + ( C − 1 ) 2 ] σ ε 2 E\left(y_{t}\right)=0, \operatorname{Var}\left(y_{ t}\right)=\left[1+(C-1)^{2}\right] \sigma_{\varepsilon}^{2}E( yた)=0 、だった( yた)=[ 1+( C−1 )2 ]pe2
自己相関係数は時間間隔の長さにのみ関係し、開始時間とは関係ありません。
ρ 1 = C − 1 1 + ( C − 1 ) 2 、ρ k = 0 、k ≥ 2 \rho_{1}=\frac{C-1}{1+(C-1)^{2}}、 \rho_{k}=0, k \geqr1=1+( C−1 )2C−1、rk=0 、k≥2
したがって、差分系列は定常系列となる。
-
次のモデルの定常性と可逆性をテストします。ここで、{ ε t } \left\{\varepsilon_{t}\right\}{ eた}はホワイト ノイズ シーケンスです:
(1)xt = 0.5 xt − 1 + 1.2 xt − 2 + ε t x_{t}=0.5 x_{t-1}+1.2 x_{t-2}+\varepsilon_{t}バツた=0.5倍_t − 1+1.2倍t − 2+eた
定常性のテスト: このモデルの特性方程式は、1 − 0.5 z − 1.2 z 2 = 0 1-0.5z-1.2z^2=0です。1−0.5z _−1.2z _2=0の場合、解決策は特性根をz 1 = 1.0517、z 2 = − 0.4784 z_1=1.0517,\,z_2=-0.4784z1=1.0517 、z2=− 0.4784。固有値の 1 つの係数が 1 より大きいため、モデルは静止していません。
(2) xt = 1.1 xt − 1 − 0.3 xt − 2 + ε t x_{t}=1.1 x_{t-1}-0.3 x_{t-2}+\varepsilon_{t}バツた=1.1倍t − 1−0.3倍_t − 2+eた
定常性のテスト: このモデルの特性方程式は、1 − 1.1 z + 0.3 z 2 = 0 1-1.1z+0.3z^2=0です。1−1.1z _+0.3z _2=0、特性根はz 1 = 0.3667、z 2 = 1.3667 z_1=0.3667、z_2=1.3667z1=0.3667 、z2=1.3667。∣ z 2 ∣ > 1 |z_2|>1なので∣z _2∣>1なので、モデルは静止していません。
(3) xt = ε t − 0.9 ε t − 1 + 0.3 ε t − 2 x_{t}=\varepsilon_{t}-0.9 \varepsilon_{t-1}+0.3 \varepsilon_{t-2}バツた=eた−0.9e _t − 1+0.3e _t − 2
定常性のテスト: このモデルの特性方程式は、1 + 0.9 z − 0.3 z 2 = 0 1+0.9z-0.3z^2=0です。1+0.9z _−0.3z _2=0、特性根はz 1 = 0.5、z 2 = − 0.6 z_1=0.5,\,z_2=-0.6z1=0.5 、z2=− 0.6。すべての固有根の係数の長さが 1 未満であるため、モデルは静止しています。可逆性のテスト: このモデルは ARMA と一致しています(2, 2) (2,2)( 2 、2 )モデルは同じなので、リバーシブルです。
(4) xt = ε t + 1.3 ε t − 1 − 0.4 ε t − 2 x_{t}=\varepsilon_{t}+1.3 \varepsilon_{t-1}-0.4 \varepsilon_{t-2}バツた=eた+1.3e _t − 1−0.4e _t − 2
定常性のテスト: このモデルの特性方程式は、1 − 1.3 z + 0.4 z 2 = 0 1-1.3z+0.4z^2=0です。1−1.3z_ _+0.4z _2=0の場合、解決策は特性根をz 1 = 1.465、z 2 = 0.272 z_1=1.465,\,z_2=0.272z1=1.465 、z2=0.272。固有値の 1 つの係数が 1 より大きいため、モデルは静止していません。可逆性のテスト: このモデルは ARMA と一致しています(2, 2) (2,2)( 2 、2 )モデルは同じであるため、元に戻すことはできません。
(5) xt = 0.7 xt − 1 + ε t − 0.6 ε t − 1 x_{t}=0.7 x_{t-1}+\varepsilon_{t}-0.6 \varepsilon_{t-1}バツた=0.7倍_t − 1+eた−0.6e _t − 1
定常性のテスト: このモデルの特性方程式は、1 − 0.7 z + 0.6 z 2 = 0 1-0.7z+0.6z^2=0です。1−0.7z _+0.6z _2=0、特性根はz 1 = 0.5、z 2 = 1 z_1=0.5,\,z_2=1z1=0.5 、z2=1 . 特性ルートの 1 つの係数の長さは 1 に等しいため、可逆性をさらにテストする必要があります。可逆性のテスト: このモデルは ARMA( 1 , 1 ) (1,1)( 1 、1 )モデルは同じであるため、リバーシブルです。
(6) xt = − 0.8 xt − 1 + 0.5 xt − 2 + ε t − 1.1 ε t − 1 x_{t}=-0.8 x_{t-1}+0.5 x_{t-2}+\varepsilon_{ t}-1.1 \varepsilon_{t-1}バツた=−0.8 × _t − 1+0.5倍_t − 2+eた−1.1e _t − 1
定常性のテスト: このモデルの特性方程式は1 + 0.8 z − 0.5 z 2 − 1.1 z − 1 = 0 1+0.8z-0.5z^2-1.1z^{-1}=01+0.8z_ _−0.5z _2−1.1z _− 1=0、分内根の解z 1 = 1.0501 、 z 2 = 0.9804 ± 0.1083 i 、 z 3 = 0.9452 ± 0.2306 i 、 z 4 = 0.7889 ± 0.5491 i 、 z 5 = − 0.9258 ± 0.3732 i 、 z 6 = − 0.967 9 ± 0.2607 i 、z 7 = − 0.9720 ± 0.2341 i 、z 8 = − 0.9880 ± 0.1402 i 、z 9 = − 0.9893 ± 0.1303 i 、z 10 = − 1.0000 z_1=1.0501,\,z _2=0.9804\pm0.10 83i、\,z_3=0.9452\pm0.2306i,\,z_4=0.7889\pm0.5491i,\,z_5=-0.9258\pm0.3732i,\,z_6=-0.9679\pm0.2607i,\,z_7=-0.9720 \pm0 .2341i,\,z_8=-0.9880\pm0.1402i,\,z_9=-0.9893\pm0.1303i,\,z_{10}=-1.0000z1=1.0501 、z2=0.9804±0.1083 i 、z3=0.9452±0.2306i 、_z4=0.7889±0.5491 i 、z5=− 0.9258±0.3732i 、_z6=− 0.9679±0.2607i 、_z7=− 0.9720±0.2341 i 、z8=− 0.9880±0.1402 i 、z9=− 0.9893±0.1303i 、_z10=− 1.0000。特性ルートの 1 つの係数は 1 より大きいため、モデルは静止していません。可逆性のテスト: このモデルの特性方程式には反転演算子z − 1 z^{-1}z− 1 であるため、モデルは可逆的ではありません。
要約すると、(1) は静止していない、(2) は静止していない、(3) は静止していて可逆的、(4) は静止していなくて可逆的、(5) は静止していて可逆的、(6) は滑らかではなく、不可逆。 -
ARMA ( 1 , 1 ) \operatorname{ARMA}(1,1)であることが知られています。アルマ( 1 、1 )モデルは次のとおりです:xt = 0.6 xt − 1 + ε t − 0.3 ε t − 1 x_{t}=0.6 x_{t-1}+\varepsilon_{t}-0.3 \varepsilon_{t-1}バツた=0.6倍_t − 1+eた−0.3e _t − 1、モデルが無限MA \mathrm{MA}と等価に表現できるように、モデルのグリーン関数を決定します。MAオーダーモデルフォームです。
このモデルの Green 関数は次のとおりです。
G 0 = 1 G_{0}=1G0=1
G 1 = ϕ 1 G 0 − θ 1 = 0.6 − 0.3 = 0.3 G_{1}=\phi_{1} G_{0}-\theta_{1}=0.6-0.3=0.3G1=ϕ1G0−私1=0.6−0.3=0.3
G k = ϕ 1 G k − 1 = ϕ 1 k − 1 G 1 = 0.3 × 0.6 k − 1 、k ≥ 2 G_{k}=\phi_{1} G_{k-1}=\phi_{ 1}^{k-1} G_{1}=0.3 \times 0.6^{k-1}, k \geq 2Gk=ϕ1Gk − 1=ϕ1k − 1G1=0.3×0.6 _k − 1、k≥2
したがって、モデルは等価的に次のように表すことができます: xt = ε t + ∑ k = 0 ∞ 0.3 × 0. 6 k ε t − k − 1 x_{t}=\varepsilon_{t}+\sum_{k=0}^ {\infty} 0.3 \times 0.6^{k} \varepsilon_{tk-1}バツた=eた+∑k = 0∞0.3×0.6 _k εt − k − 1
-
ある武器 ( 2 , 2 ) \オペレーター名{WEAPON}(2,2)アルマ( 2 、2 )定義:Φ ( B ) xt = 3 + Θ ( B ) ε ı \Phi(B) x_{t}=3+\Theta(B) \varepsilon_{\imath};Φ ( B ) ×た=3+Θ ( B ) e, 求E ( xt ) E\left(x_{t}\right)E( ×た)。このうち、ε t 〜 WN ( 0 , σ ε 2 ) \varepsilon_{t} \sim WN\left(0, \sigma_{\varepsilon}^{2}\right)eた〜WN _( 0 ,pe2)、Φ ( B ) = ( 1 − 0.5 B ) 2 。\ファイ(B)=(1-0.5 B)^{2}。Φ ( B )=( 1−0.5B ) _2.
Θ ( B ) = ( 1 − 0.5 B ) 2 ⇒ ϕ 1 = 0.5 , ϕ 2 = − 0.25 E ( xt ) = ϕ 0 1 − ϕ 1 − ϕ 2 = 3 1 − 0.5 + 0.25 = 4 \begin{aligned } & \Theta(B)=(1-0.5 B)^{2} \Rightarrow \phi_{1}=0.5, \quad \phi_{2}=-0.25 \\ & E\left(x_{t}\ right)=\frac{\phi_{0}}{1-\phi_{1}-\phi_{2}}=\frac{3}{1-0.5+0.25}=4 \end{aligned}Θ ( B )=( 1−0.5B ) _2⇒ϕ1=0.5 、ϕ2=−0.25 _E( ×た)=1−ϕ1−ϕ2ϕ0=1−0.5+0.253=4 -
ARMAを証明します ( 1 , 1 ) \operatorname{ARMA}(1,1)アルマ( 1 、1 ) seqxt= 0.5 xt − 1 + ε t − 0.25 ε t − 1 , ε t 〜 WN ( 0 , σ ε 2 ) x_{t}=0.5 x_{t-1}+\varepsilon_{t}-0.25 \ varepsilon_{t-1}, \varepsilon_{t} \sim WN\left(0, \sigma_{\varepsilon}^{2}\right)バツた=0.5倍_t − 1+eた−0.25e _t − 1、eた〜WN _( 0 ,pe2)の自己相関係数は次のとおりです。
ρ k = { 1 , k = 0 0.27 , k = 1 0.5 ρ k − 1 , k ⩾ 2 \rho_{k}= \begin{cases}1, & k=0 \\ 0.27, & k=1 \\ 0.5 \rho_{k-1}、& k \geqslant 2\end{ケース}rk=⎩ ⎨ ⎧1 、0.27 、0.5ペンスk − 1、k=0k=1k⩾2
分母1 = 1 2 、θ 1 = 1 4 \phi_{1}=\frac{1}{2}、\theta_{1}=\frac{1}{4}ϕ1=21、私1=41、 ARMA ( 1 , 1 ) ARMA(1,1)によるA RM A ( 1 ,1 )モデル グリーン関数の再帰式は次のとおりです:
G 0 = 1 G_{0}=1G0=1 ,
G 1 = ϕ 1 G 0 − θ 1 = 0.5 − 0.25 = ϕ 1 2 G_{1}=\phi_{1} G_{0}-\theta_{1}=0.5-0.25=\phi_{1} ^{2}G1=ϕ1G0−私1=0.5−0.25=ϕ12
G k = ϕ 1 G k − 1 = ϕ 1 k − 1 G 1 = ϕ 1 k + 1 、 k ≥ 2 G_{k}=\phi_{1} G_{k-1}=\phi_{1}^ {k-1} G_{1}=\phi_{1}^{k+1}, k \geq 2Gk=ϕ1Gk − 1=ϕ1k − 1G1=ϕ1k + 1、k≥2
ρ 0 = 1 \rho_{0}=1r0=1
ρ 1 = ∑ j = 0 ∞ G j G j + 1 ∑ j = 0 ∞ G j 2 = ϕ 1 2 + ∑ j = 1 ∞ ϕ 1 2 j + 3 1 + ∑ j = 1 ∞ ϕ 1 2 ( j + 1 ) = ϕ 1 2 + ϕ 1 5 1 − ϕ 1 2 1 + ϕ 1 4 1 − ϕ 1 2 = ϕ 1 2 − ϕ 1 4 + ϕ 1 5 1 − ϕ 1 2 + ϕ 1 4 = 7 26 = 0.27 ρ k = ∑ j = 0 ∞ G j G j + k ∑ j = 0 ∞ G j 2 = ∑ j = 0 ∞ G j ( ϕ 1 G j + k − 1 ) ∑ j = 0 ∞ G j 2 = ϕ 1 ∑ j = 0 ∞ G j G j + k − 1 ∑ j = 0 ∞ G j 2 = ϕ 1 ρ k − 1 , k ≥ 2 \begin{aligned} & \rho_{1}=\frac{ \sum_{j=0}^{\infty} G_{j} G_{j+1}}{\sum_{j=0}^{\infty} G_{j}^{2}}=\frac{\ phi_{1}^{2}+\sum_{j=1}^{\infty} \phi_{1}^{2 j+3}}{1+\sum_{j=1}^{\infty} \ phi_{1}^{2(j+1)}}=\frac{\phi_{1}^{2}+\frac{\phi_{1}^{5}}{1-\phi_{1}^ {2}}}{1+\frac{\phi_{1}^{4}}{1-\phi_{1}^{2}}}=\frac{\phi_{1}^{2}}\ phi_{1}^{4}+\phi_{1}^{5}}{1-\phi_{1}^{2}+\phi_{1}^{4}}=\frac{7}{26 }=0。27 \\ & \rho_{k}=\frac{\sum_{j=0}^{\infty} G_{j} G_{j+k}}{\sum_{j=0}^{\infty} G_ {j}^{2}}=\frac{\sum_{j=0}^{\infty} G_{j}\left(\phi_{1} G_{j+k-1}\right)}{\ sum_{j=0}^{\infty} G_{j}^{2}}=\phi_{1} \frac{\sum_{j=0}^{\infty} G_{j} G_{j+k -1}}{\sum_{j=0}^{\infty} G_{j}^{2}}=\phi_{1} \rho_{k-1}, k \geq 2 \end{aligned}r1=∑j = 0∞Gj2∑j = 0∞GjGj + 1=1+∑j = 1∞ϕ12 ( j + 1 )ϕ12+∑j = 1∞ϕ12j + 3 _=1+1 − ϕ12ϕ14ϕ12+1 − ϕ12ϕ15=1−ϕ12+ϕ14ϕ12−ϕ14+ϕ15=267=0.27rk=∑j = 0∞Gj2∑j = 0∞GjGj + k=∑j = 0∞Gj2∑j = 0∞Gj( ϕ1Gj + k − 1)=ϕ1∑j = 0∞Gj2∑j = 0∞GjGj + k − 1=ϕ1rk − 1、k≥2
認証が完了しました。
- 定常時系列の場合、次の方程式のうちどれが真でなければなりませんか?
(1) σ ε 2 = E ( ε 1 2 ) \sigma_{\varepsilon}^{2}=E\left(\varepsilon_{1}^{2}\right)pe2=E( e12)
(2) Cov ( yt , yt + k ) = Cov ( yt , yt − k ) \operatorname{Cov}\left(y_{t}, y_{t+k}\right)=\operatorname{Cov }\left(y_{t}, y_{tk}\right)それらの( yた、yt + k)=それらの( yた、yt − k)
(3) ρ k = ρ − k \rho_{k}=\rho_{-k}rk=r−k _
(4) y ^ t ( k + 1 ) = y ^ t + 1 ( k ) \widehat{y}_{t}(k+1)=\widehat{y}_{t+1}(k)y た( k+1 )=y t + 1( k )。
(1) 設立
(2) 設立
(3) 設立
(4) 設立
- 1915 年から 2004 年までのオーストラリアにおける年間銃器関連殺人死亡率 (10 万人当たり) を表に示します。
(1) 据え置き型と判断された場合、その据え置き型シリーズがARMAのどのモデルに該当するかを判断してください。
(2) シーケンスが非定常であると判断された場合は、一次差分後のシーケンスの定常性と相関特性を調べてください。
年 死亡率
1915 0.5215052
1916 0.4248284
1917 0.4250311
1918 0.4771938
1919 0.8280212
1920 0.6156186
1921 0.366627
1922 0.4308883
1923 0.2810287
1924 0.4646245
1925 0.2693951
1926 0.5779049
1927 0.5661151
1928 0.5077584
1929 0.7507175
1930 0.6808395
1931 0.7661091
1932 0.4561473
1933 0.4977496
1934 0.4193273
1935 0.6095514
1936 0.457337
1937 0.5705478
1938 0.3478996
1939 0.3874993
1940 0.5824285
1941 0.2391033
1942 0.2367445
1943 0.2626158
1944 0.4240934
1945 0.365275
1946 0.3750758
1947 0.4090056
1948 0.3891676
1949 0.240261
1950 0.1589496
1951 0.4393373
1952 0.5094681
1953 0.3743465
1954 0.4339828
1955 0.4130557
1956 0.3288928
1957 0.5186648
1958 0.5486504
1959 0.5469111
1960 0.4963494
1961 0.5308929
1962 0.5957761
1963 0.5570584
1964 0.5731325
1965 0.5005416
1966 0.5431269
1967 0.5593657
1968 0.6911693
1969 0.4403485
1970 0.5676662
1971 0.5969114
1972 0.4735537
1973 0.5923935
1974 0.5975556
1975 0.6334127
1976 0.6057115
1977 0.7046107
1978 0.4805263
1979 0.702686
1980 0.7009017
1981 0.6030854
1982 0.6980919
1983 0.597656
1984 0.8023421
1985 0.6017109
1986 0.5993127
1987 0.6025625
1988 0.7016625
1989 0.4995714
1990 0.4980918
1991 0.497569
1992 0.600183
1993 0.3339542
1994 0.274437
1995 0.3209428
1996 0.5406671
1997 0.4050209
1998 0.2885961
1999 0.3275942
2000 0.3132606
2001 0.2575562
2002 0.2138386
2003 0.1861856
2004 0.1592713
1. データを時系列変数に変換し、視覚化します。
data <- read.table('./时间序列分析——基于R(第2版)习题数据/习题3.16数据.txt', header = TRUE, sep = "\t")
#将年份转换为时间序列类型
death <- ts(data$死亡率, start = c(1915), end = c(2004), frequency = 1)
#可视化
plot(death, type = "l", main = "1915-2004年澳大利亚枪支凶杀案死亡率",
xlab = "年份", ylab = "死亡率")
2. 時系列に対して定常性テストを実行します。
library(tseries)
## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo
#进行ADF检验
adf.test(death)
##
## Augmented Dickey-Fuller Test
##
## data: death
## Dickey-Fuller = -1.2491, Lag order = 4, p-value = 0.8853
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(death)
## Warning in kpss.test(death): p-value greater than printed p-value
##
## KPSS Test for Level Stationarity
##
## data: death
## KPSS Level = 0.19826, Truncation lag parameter = 3, p-value = 0.1
結論:
ADF 検定の p 値は 0.05 より大きく、帰無仮説は棄却できません。つまり、シーケンスは定常ではありません。KPSS 検定の p 値は 0.05 未満で、帰無仮説は次のとおりです
。拒否されました。つまり、シーケンスは定常ではありません。
3. 一階差分演算を実行し、定常性テストを再度実行します。
diff_ts <- diff(death)
#可视化
plot(diff_ts, type = "l", main = "差分后的1915-2004年澳大利亚枪支凶杀案死亡率",
xlab = "年份", ylab = "差分后的死亡率")
#进行ADF检验
adf.test(diff_ts)
## Warning in adf.test(diff_ts): p-value smaller than printed p-value
##
## Augmented Dickey-Fuller Test
##
## data: diff_ts
## Dickey-Fuller = -5.1026, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(diff_ts)
## Warning in kpss.test(diff_ts): p-value greater than printed p-value
##
## KPSS Test for Level Stationarity
##
## data: diff_ts
## KPSS Level = 0.099305, Truncation lag parameter = 3, p-value = 0.1
結論:
シーケンスは、最初の差分以降は著しく定常的です。KPSS
検定の p 値は 0.05 より大きく、帰無仮説は棄却できません。つまり、シーケンスは最初の差分の下で定常的になる傾向があります。
4. 一次差分シーケンスに対して ACF および PACF 解析を実行して、ARMA モデルを決定します。
#ACF和PACF
par(mfrow = c(1,2))
acf(diff_ts, main = "ACF")
pacf(diff_ts, main = "PACF")
結論:
ACF はシーケンスに明らかな隣接ラグ自己相関があることを示し、PACF はシーケンスが短縮型自己回帰 (AR) 特性を持つことを示します。
したがって、p の値が 2 または 3 となる ARMA(p,0) モデルを選択できます。
- 1860 年から 1955 年までのミシガン湖の月平均最大水位の推移を以下の表に示します。
(1) 据え置きと判断された場合、その据え置きシリーズがARMAのどの機種であるかを判断してください。
(2) シーケンスが非定常であると判断された場合は、一次差分後のシーケンスの定常性と相関特性を調べてください。
年 水位
1860 83.3
1861 83.5
1862 83.2
1863 82.6
1864 82.2
1865 82.1
1866 81.7
1867 82.2
1868 81.6
1869 82.1
1870 82.7
1871 82.8
1872 81.5
1873 82.2
1874 82.3
1875 82.1
1876 83.6
1877 82.7
1878 82.5
1879 81.5
1880 82.1
1881 82.2
1882 82.6
1883 83.3
1884 83.1
1885 83.3
1886 83.7
1887 82.9
1888 82.3
1889 81.8
1890 81.6
1891 80.9
1892 81
1893 81.3
1894 81.4
1895 80.2
1896 80
1897 80.85
1898 80.83
1899 81.1
1900 80.7
1901 81.1
1902 80.83
1903 80.82
1904 81.5
1905 81.6
1906 81.5
1907 81.6
1908 81.8
1909 81.1
1910 80.5
1911 80
1912 80.7
1913 81.3
1914 80.7
1915 80
1916 81.1
1917 81.87
1918 81.91
1919 81.3
1920 81
1921 80.5
1922 80.6
1923 79.8
1924 79.6
1925 78.49
1926 78.49
1927 79.6
1928 80.6
1929 82.3
1930 81.2
1931 79.1
1932 78.6
1933 78.7
1934 78
1935 78.6
1936 78.7
1937 78.6
1938 79.7
1939 80
1940 79.3
1941 79
1942 80.2
1943 81.5
1944 80.8
1945 81
1946 80.96
1947 81.1
1948 80.8
1949 79.7
1950 80
1951 81.6
1952 82.7
1953 82.1
1954 81.7
1955 81.5
1. データを時系列変数に変換し、視覚化します。
data <- read.table('./时间序列分析——基于R(第2版)习题数据/习题3.17数据.txt', header = TRUE, sep = "\t")
#将年份转换为时间序列类型
level <- ts(data$水位, start = c(1860), end = c(1955), frequency = 1)
#可视化
plot(level, type = "l", main = "1860-1955年密歇根湖每月平均水位变化",
xlab = "年份", ylab = "水位")
2. 時系列に対して定常性テストを実行します。
library(tseries)
#进行ADF检验
adf.test(level)
##
## Augmented Dickey-Fuller Test
##
## data: level
## Dickey-Fuller = -2.3833, Lag order = 4, p-value = 0.4181
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(level)
## Warning in kpss.test(level): p-value smaller than printed p-value
##
## KPSS Test for Level Stationarity
##
## data: level
## KPSS Level = 1.3798, Truncation lag parameter = 3, p-value = 0.01
結論:
ADF 検定の p 値は 0.05 より大きく、帰無仮説は棄却できません。つまり、シーケンスは定常ではありません。KPSS 検定の p 値は 0.05 未満で、帰無仮説は次のとおりです
。拒否されました。つまり、シーケンスは定常ではありません。
3. 一階差分演算を実行し、定常性テストを再度実行します。
diff_le <- diff(level)
#可视化
plot(diff_le, type = "l", main = "差分后的1860-1955年密歇根湖每月平均水位变化",
xlab = "年份", ylab = "差分后的水位")
#进行ADF检验
adf.test(diff_le)
## Warning in adf.test(diff_le): p-value smaller than printed p-value
##
## Augmented Dickey-Fuller Test
##
## data: diff_le
## Dickey-Fuller = -5.6057, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(diff_le)
## Warning in kpss.test(diff_le): p-value greater than printed p-value
##
## KPSS Test for Level Stationarity
##
## data: diff_le
## KPSS Level = 0.07181, Truncation lag parameter = 3, p-value = 0.1
結論:
シーケンスは、最初の差分以降は著しく定常的です。KPSS
検定の p 値は 0.05 より大きく、帰無仮説は棄却できません。つまり、シーケンスは最初の差分の下で定常的になる傾向があります。
4. 一次差分シーケンスに対して ACF および PACF 解析を実行して、ARMA モデルを決定します。
#ACF和PACF
par(mfrow = c(1,2))
acf(diff_le, main = "ACF")
pacf(diff_le, main = "PACF")
最初の差異後のシーケンスに対して ACF および PACF 解析を実行します。
ACF プロットは、lags=1 からゆっくりと減衰しており、AR(1) モデルがこのシーケンスに適している可能性があることを示しています。ただし、ラグが大きくなるにつれて、ACF はますます 0 に近づきます。これは、MA(1) モデルも適切である可能性があることを意味します。
PACF プロットはラグ = 1 で打ち切られており、AR(1) モデルが適切である可能性があることを示しています。ただし、lags=2 では、PACF は再び大幅に負になります。これは、シーケンスを説明するために MA(1) 項が必要である可能性があることを示しています。
ARMA(1,1) モデルがより適切なモデル特徴である可能性があることがわかります。