Mengestimasi fungsi autokorelasi (ACF) pada banyak lag memungkinkan kita menilai bagaimana deret waktu x berkaitan dengan masa lalunya. Estimasi numerik penting untuk perhitungan terperinci, tetapi memvisualisasikan ACF sebagai fungsi dari lag juga bermanfaat.

Faktanya, perintah acf() secara bawaan menghasilkan sebuah gambar. Perintah ini juga membuat pilihan bawaan untuk lag.max, yaitu jumlah maksimum lag yang akan ditampilkan.

Tiga deret waktu x, y, dan z telah dimuat ke dalam lingkungan R Anda dan diplot di sebelah kanan. Deret waktu x menunjukkan persistensi yang kuat, artinya nilai saat ini sangat berkaitan dengan nilai-nilai yang mendahuluinya. Deret waktu y menunjukkan pola periodik dengan panjang siklus sekitar empat observasi, artinya nilai saat ini relatif dekat dengan observasi empat langkah sebelumnya. Deret waktu z tidak menampilkan pola yang jelas.

Dalam latihan ini, Anda akan memplot fungsi autokorelasi terestimasi untuk setiap deret waktu. Pada plot yang dihasilkan oleh acf(), lag untuk setiap estimasi autokorelasi ditandai pada sumbu horizontal, dan setiap estimasi autokorelasi ditunjukkan oleh tinggi batang vertikal. Ingat bahwa ACF pada lag-0 selalu bernilai 1.

Terakhir, setiap gambar ACF menyertakan sepasang garis biru putus-putus horizontal yang merepresentasikan interval keyakinan 95% per lag yang dipusatkan pada nol. Garis-garis ini digunakan untuk menentukan signifikansi statistik dari suatu estimasi autokorelasi pada lag tertentu dibandingkan dengan nilai nol, yaitu tidak ada autokorelasi pada lag tersebut.

Tebak koefisien korelasi

Analisis Deret Waktu dengan R

Latihan interaktif langsung