PACF - Autocorrelación Parcial

Calcula la muestra de la función parcial de autocorrelación (PACF).

Sintaxis

PACF(X, Order, K)
X
son los datos de la serie de tiempo univariante (un array unidimensional de celdas (Por ejemplo: filas o columnas)).
Orden
es la orden de tiempo en las series de datos (Es decir, el primer punto de datos de la fecha respectiva. (la fecha más temprana = 1 (defecto), la última fecha = 0)).
Orden Descripción
1 Ascendente (el primer punto de datos corresponde a la fecha más temprana)(default).
0 Descendente (el primer punto de datos corresponde a la última fecha).
K
es el lag order (Por ejemplo: k = 0 (no lag), k = 1 (1st lag), etc.). Si falta, se toma por defecto k = 1.

Observaciones

  1. La series de tiempo es homogénea o igualmente espaciada.
  2. ACF y diagramas PACF (Es decir, correlogramas) son herramientas comúnmente usadas para la identificación del modelo en los modelos Box-Jenkins.
  3. PACF es la autocorrelación entre$z_t$ y $z_{t-k}$ que no se considera para lags 1 a k-1, inclusive.
  4. análogamente, PACF(k) es el coeficiente mínimo cuadrado ordinario (OLS) de regresión multiple k-ésima ($\phi_k$).

    $$\left[y_{t}\right]=\phi_{0}+\sum_{j=1}^{k}\phi_{j}\left[y_{t-j}\right]$$

    Donde:

    • $\left[y_{t}\right]$ es la serie de tiempo de entrada.
    • $k$ es la orden de retraso o lag order.
    • $\phi_j$ es el j-ésimo coeficiente lineal multiple de regresión (es decir, AR(j)).

Ejemplos de archivos

Enlaces Relacionados

Referencias

Comentarios

El artículo está cerrado para comentarios.

¿Fue útil este artículo?
Usuarios a los que les pareció útil: 0 de 4