การแสดงภาพฟังก์ชันออโตคอร์รีเลชัน

การประมาณค่าฟังก์ชันออโตคอร์รีเลชัน (ACF) ที่หลาย lag ช่วยให้เราประเมินได้ว่า time series x มีความสัมพันธ์กับค่าในอดีตของตัวเองอย่างไร ค่าประมาณเชิงตัวเลขมีความสำคัญสำหรับการคำนวณเชิงละเอียด แต่การแสดงภาพ ACF เป็นฟังก์ชันของ lag ก็มีประโยชน์ไม่แพ้กัน

ในความเป็นจริง คำสั่ง acf() จะสร้างกราฟขึ้นมาโดยอัตโนมัติ และยังเลือกค่า lag.max ซึ่งเป็นจำนวน lag สูงสุดที่จะแสดงให้โดยค่าเริ่มต้น

Time series สามชุด ได้แก่ x, y และ z ถูกโหลดไว้ใน R environment แล้ว และแสดงกราฟอยู่ทางขวา โดย x แสดงความต่อเนื่องที่แข็งแกร่ง หมายความว่าค่าปัจจุบันมีความใกล้เคียงกับค่าก่อนหน้าค่อนข้างมาก y แสดงรูปแบบเป็นคาบ โดยมีความยาวรอบประมาณ 4 การสังเกต หมายความว่าค่าปัจจุบันใกล้เคียงกับค่าที่อยู่ก่อนหน้า 4 ตำแหน่ง ส่วน z ไม่แสดงรูปแบบที่ชัดเจนใดๆ

ในแบบฝึกหัดนี้ จะได้พล็อตกราฟ ACF ที่ประมาณขึ้นสำหรับ time series แต่ละชุด ในกราฟที่สร้างโดย acf() แกนนอนแสดงค่า lag ของแต่ละค่าประมาณออโตคอร์รีเลชัน และความสูงของแท่งแนวตั้งแสดงค่าประมาณนั้น จำไว้ว่า ACF ที่ lag-0 มีค่าเป็น 1 เสมอ

นอกจากนี้ กราฟ ACF แต่ละกราฟจะมีเส้นประแนวนอนสีน้ำเงินสองเส้น ซึ่งแสดง confidence interval 95% สำหรับแต่ละ lag โดยมีศูนย์กลางที่ศูนย์ เส้นเหล่านี้ใช้สำหรับตรวจสอบนัยสำคัญทางสถิติของค่าประมาณออโตคอร์รีเลชันที่แต่ละ lag เทียบกับค่า null ที่เป็นศูนย์ กล่าวคือ ไม่มีออโตคอร์รีเลชันที่ lag นั้น