La gráfica ACF o la gráfica de factor de correlación automática se usa generalmente para analizar los datos sin procesar con el fin de ajustar los modelos de pronóstico de series temporales. ACF se usa junto con PACF (Factor de correlación automática parcial) para identificar qué modelo de pronóstico de series de tiempo se utilizará.
A continuación se encuentran las pautas de uso general:
Las series no estacionarias tienen un ACF que sigue siendo significativo durante media docena o más de retraso, en lugar de disminuir rápidamente a cero. Debe diferenciar dicha serie hasta que sea estacionaria antes de poder identificar el proceso. „
- ¿Qué algoritmos / tecnologías se usaron para hacer Siri?
- ¿Cuáles son algunos de los documentos fundamentales en el aprendizaje automático / algoritmos analíticos?
- ¿Cuáles son algunos buenos métodos para explorar datos de alta dimensión?
- ¿Qué aprendizaje automático usa Quora para extraer la entrada del usuario?
- ¿Puedo usar la agrupación (k-means, etc.) en un gran conjunto de datos para automatizar el proceso de búsqueda de similitudes y hacer recomendaciones?
Los procesos autorregresivos tienen un ACF y picos exponencialmente decrecientes en el primero o más rezagos del PACF. El número de picos indica el orden de la autorregresión. „
Los procesos de promedio móvil tienen picos en el primero o más rezagos del ACF y un PACF que disminuye exponencialmente. El número de picos indica el orden de la media móvil. „
Los procesos mixtos (ARMA) suelen mostrar disminuciones exponenciales tanto en el ACF como en el PACF.
Espero que esto aclare sobre el uso de ACF. Para más detalles, busque en Google la Metodología de Jenkins y vea algunos ejemplos resueltos.