根据acf和pacf确定p、q值
Decide p, q values based on acf and pacf
我需要知道如何calculate/decide 基于 acf 和 pacf 图的 ARIMA 模型的 p 和 q 值。请帮忙。
在描述中，我发布了部分数据，因此任何人都可以尝试对发布的数据集进行解释。
我期待的是分析此类数据集的说明，以便我可以正确预测未来值。我期待使用 Arima、SARIMA 等模型。我的主要需求是找到 ARIMA 和 SARIMA 的参数
Date Gross_Premium
1/15/2012 0
2/15/2012 0
3/15/2012 0
4/15/2012 51579.01
5/15/2012 0
6/15/2012 50113.93681
7/15/2012 16854.74714
8/15/2012 61246.11
9/15/2012 0
10/15/2012 3497.14
11/15/2012 0
12/15/2012 0
1/15/2013 0
2/15/2013 0
3/15/2013 0
4/15/2013 111803.15
5/15/2013 10800
6/15/2013 11852.22681
7/15/2013 22619.05368
8/15/2013 70548.52
9/15/2013 5752.72
10/15/2013 6994.28
11/15/2013 0
12/15/2013 0
1/15/2014 0
2/15/2014 0
3/15/2014 0
4/15/2014 94724.14
5/15/2014 10800
6/15/2014 38261.71
7/15/2014 15800.22125
8/15/2014 39388.17
9/15/2014 32569.36
10/15/2014 0
11/15/2014 0
12/15/2014 0
1/15/2015 0
2/15/2015 0
3/15/2015 0
4/15/2015 110144.68
5/15/2015 0
6/15/2015 47835.92
7/15/2015 27637.08915
8/15/2015 72842.2
9/15/2015 5838.51
10/15/2015 3497.14
11/15/2015 0
12/15/2015 0
1/15/2016 0
2/15/2016 0
3/15/2016 0
4/15/2016 167626.54
5/15/2016 21600
6/15/2016 30988.9368
7/15/2016 19109.44915
8/15/2016 98501.16
9/15/2016 20892.34
10/15/2016 6994.28
11/15/2016 0
12/15/2016 0
1/15/2017 0
2/15/2017 0
3/15/2017 0
4/15/2017 96382.61
5/15/2017 10800
6/15/2017 30988.9368
7/15/2017 20246.65096
8/15/2017 61423.9
9/15/2017 16284.68
10/15/2017 3497.14
11/15/2017 0
12/15/2017 0
我把你的一套习题（ALPHBET）做了如下分析。尽管您对一年中的 12 个月进行了观察……但每年有 5 个月没有销售，因此错误地暗示了强自回归结构。
我之前 运行 在预测一年中仅销售几个月的产品的啤酒销售时已经进入了这个......想想 Octoberfest Beers。答案是简单地重新定义您的 "year" 有 7 个工作月（减去 11,12,1,2,3 个月）。
以下是每年 7 observations/periods 的数据图表。
好消息是具有很强的确定性季节性，即 7 个月中的某些月份有系统的可预测销售。这需要使用五个季节性假人而不是记忆 (SARIMA)。以下是增加了 6 个脉冲的有用方程式。
这里是 and forecasts here 未来 7 个时期的实际图、拟合图和预测图，涵盖未来 3 年，置信限度明确允许异常值。
实际和清理图在这里 illuminating the unusual values. Finally the residual plot suggests randomness supported by the ACF of the residuals
您的问题已得到解答：您的数据没有有用的 SARIMA 模型，因为它是由确定性效应而不是内存驱动的。
最后，SE 的一些有用的 reader 可能会解释如何附加包含数据的 csv 文件，而不是像您礼貌地那样实际列出它。
我需要知道如何calculate/decide 基于 acf 和 pacf 图的 ARIMA 模型的 p 和 q 值。请帮忙。
在描述中，我发布了部分数据，因此任何人都可以尝试对发布的数据集进行解释。 我期待的是分析此类数据集的说明，以便我可以正确预测未来值。我期待使用 Arima、SARIMA 等模型。我的主要需求是找到 ARIMA 和 SARIMA 的参数
Date Gross_Premium
1/15/2012 0
2/15/2012 0
3/15/2012 0
4/15/2012 51579.01
5/15/2012 0
6/15/2012 50113.93681
7/15/2012 16854.74714
8/15/2012 61246.11
9/15/2012 0
10/15/2012 3497.14
11/15/2012 0
12/15/2012 0
1/15/2013 0
2/15/2013 0
3/15/2013 0
4/15/2013 111803.15
5/15/2013 10800
6/15/2013 11852.22681
7/15/2013 22619.05368
8/15/2013 70548.52
9/15/2013 5752.72
10/15/2013 6994.28
11/15/2013 0
12/15/2013 0
1/15/2014 0
2/15/2014 0
3/15/2014 0
4/15/2014 94724.14
5/15/2014 10800
6/15/2014 38261.71
7/15/2014 15800.22125
8/15/2014 39388.17
9/15/2014 32569.36
10/15/2014 0
11/15/2014 0
12/15/2014 0
1/15/2015 0
2/15/2015 0
3/15/2015 0
4/15/2015 110144.68
5/15/2015 0
6/15/2015 47835.92
7/15/2015 27637.08915
8/15/2015 72842.2
9/15/2015 5838.51
10/15/2015 3497.14
11/15/2015 0
12/15/2015 0
1/15/2016 0
2/15/2016 0
3/15/2016 0
4/15/2016 167626.54
5/15/2016 21600
6/15/2016 30988.9368
7/15/2016 19109.44915
8/15/2016 98501.16
9/15/2016 20892.34
10/15/2016 6994.28
11/15/2016 0
12/15/2016 0
1/15/2017 0
2/15/2017 0
3/15/2017 0
4/15/2017 96382.61
5/15/2017 10800
6/15/2017 30988.9368
7/15/2017 20246.65096
8/15/2017 61423.9
9/15/2017 16284.68
10/15/2017 3497.14
11/15/2017 0
12/15/2017 0
我把你的一套习题（ALPHBET）
我之前 运行 在预测一年中仅销售几个月的产品的啤酒销售时已经进入了这个......想想 Octoberfest Beers。答案是简单地重新定义您的 "year" 有 7 个工作月（减去 11,12,1,2,3 个月）。
以下是每年 7 observations/periods 的数据图表。
好消息是具有很强的确定性季节性，即 7 个月中的某些月份有系统的可预测销售。这需要使用五个季节性假人而不是记忆 (SARIMA)。以下是增加了 6 个脉冲的有用方程式。
这里是
实际和清理图在这里
您的问题已得到解答：您的数据没有有用的 SARIMA 模型，因为它是由确定性效应而不是内存驱动的。
最后，SE 的一些有用的 reader 可能会解释如何附加包含数据的 csv 文件，而不是像您礼貌地那样实际列出它。