Como interpretar esses gráficos acf e pacf

A seguir, são apresentados os gráficos acf e pacf de uma série de dados mensal. O segundo gráfico é acf com ci.type = 'ma':

A persistência de valores altos no gráfico ACF provavelmente representa uma tendência positiva a longo prazo. A questão é se isso representa variação sazonal?

Tentei ver sites diferentes sobre esse tópico, mas não tenho certeza se esses gráficos mostram sazonalidade.

Análise de plotagem ACF e PACF

Ajudar a interpretar gráficos de ACF e PACF

Ajude a entender a figura a seguir do ACF

Autocorrelação e interpretação parcial de autocorrelação

Edit: a seguir está o gráfico para lag até 60:

A seguir estão plotagens de diff (my_series):

E até o atraso 60:

Edit: Estes dados são de: Este é um método apropriado para testar efeitos sazonais nos dados da contagem de suicídios? Aqui, os colaboradores não consideraram o gráfico ACF e PACF de séries originais ou diferenciadas que vale a pena mencionar (portanto, não deve ser importante). Apenas parcelas de resíduos ACF / PACF foram mencionados em alguns locais.

observar plotagens para tentar inserir os dados em um modelo de arima adivinhado funciona bem quando 1: não há valores extremos / pulsos / mudanças de nível, tendências de hora local e pulsos determinísticos sazonais nos dados E 2) quando o modelo de arima parâmetros constantes ao longo do tempo AND 3) quando a variação de erro do modelo arima apresenta variação constante ao longo do tempo. Quando essas três coisas acontecem .... na maioria dos conjuntos de dados de livros didáticos, apresentando a facilidade da modelagem de arima. Quando 1 ou mais dos 3 não se mantêm .... em todos os conjuntos de dados do mundo real que eu já vi. A resposta simples para sua pergunta requer acesso aos fatos originais (dados históricos) e não às informações descritivas secundárias em seus gráficos. Mas esta é apenas a minha opinião!

EDITADO APÓS O RECIBO DOS DADOS:

Eu estava de férias na Grécia (realmente fazendo outra coisa que não a análise de séries temporais) e não consegui analisar os DADOS DO SUICÍDIO, mas em conjunto com este post. Agora é adequado e correto que eu apresente uma análise para acompanhar / provar por exemplo meus comentários sobre estratégias de identificação de modelo em vários estágios e as falhas da análise visual simples de gráficos de correlação simples como "a prova está no pudim".

Aqui está o ACF dos dados originais O PACF da série original . AUTOBOX http://www.autobox.com/cms/ Um software que eu ajudei a desenvolver usa heurísticas para identificar um modelo inicial. Nesse caso, o modelo inicialmente identificado foi encontrado . A verificação diagnóstica dos resíduos desse modelo sugeriu algum aumento do modelo usando uma mudança de nível, pulsos e um pulso sazonal. Todas as estradas não levam a Roma, mas algumas podem chegar perto!. O teste de constância de parâmetros rejeitou alterações de parâmetros ao longo do tempo. A verificação de alterações determinísticas na variação de erro concluiu que nenhuma alteração determinística foi detectada na variação de erro. . O teste de Box-Cox para a necessidade de uma transformação de potência foi positivo com a conclusão de que uma transformação logarítmica era necessária. . O modelo final está aqui . Os resíduos do modelo final parecem estar livres de qualquer autocorrelação . O gráfico dos resíduos dos modelos finais parece estar livre de quaisquer violações gaussianas . O gráfico de Real / Ajuste / Previsões está aqui com previsões aqui

Interpretação do ACF e PACF

A lenta deterioração da função de autocorrelação sugere que os dados sigam um processo de memória longa. A duração dos choques é relativamente persistente e influencia os dados várias observações à frente. Isso provavelmente é refletido por um padrão de tendência suave nos dados.

O ACF e PACF da ordem 12 estão além das faixas de confiança de significância. No entanto, isso não significa necessariamente a presença de um padrão sazonal identificável. O ACF e o PACF de outros pedidos sazonais (24, 36, 48, 60) estão dentro das faixas de confiança. A partir do gráfico, não é possível concluir se o significado do ACF e PACF da ordem 12 é devido à sazonalidade ou flutuações transitórias.

A persistência da ACF mencionada anteriormente sugere que podem ser necessárias primeiras diferenças para tornar os dados estacionários. No entanto, o ACF / PACF da série diferenciada parece suspeito, a correlação negativa pode ter sido induzida pelo filtro diferencial e pode não ser realmente apropriado. Veja este post para mais detalhes.

Determinar se a sazonalidade está presente

A análise do ACF e PACF deve ser complementada com outras ferramentas, por exemplo:

• O espectro (uma visão do ACF no domínio da frequência) pode revelar a periodicidade dos ciclos que explicam a maior parte da variabilidade nos dados.
• Ajuste o modelo estrutural de série temporal básica e verifique se a variação do componente sazonal é próxima de zero em relação aos outros parâmetros (na função R stats::StructTSe no pacote stsm ).
• Testes de sazonalidade, baseados em manequins sazonais, ciclos sazonais ou aqueles descritos e implementados no X-12 .
• Também é necessário verificar a presença de pulsos e mudanças de nível, conforme mencionado pelo IrishStat, pois eles podem distorcer as conclusões dos métodos anteriores (em R os tsoutliers do pacote podem ser úteis para esse fim).