你少数了在你图上看不到的第6条线,应该有第12阶的自相关。平稳并不表明自相关就不存在了。因为弱平稳只需要满足平均值函数是常数,自相关函数只与时滞有关。
季节性的情况其实可以与没有季节性的arima类比。比如做arima的时候先差分,差分后的时间序列根据自相关性定出arma(p,q)的p,q值,也就对应原来的arima(p,1,q)。假如差分后没有任何自相关性,那么就变成arima(0,1,0)了。存在季节性的情况其实也是一样,只是看时滞的时候要一个周期一个周期地看。
不过确定阶数确实是个重要的问题,我不知道你的方法里是以什么为依据的。
如果是我自己分析的话,会对zt同时画acf和pacf图:
- library(astsa)
- acf2(zt)
先看季节的成分。由于pacf图在第1和第2个周期都有自相关,可能会选(2,0,0)[12];看acf图的话,可能也会选(0,0,1)[12];还可能选(1,0,1)[12]、(2,0,1)[12]、(1,0,2)[12]、(2,0,2)[12]等。
看完季节性的成分后看更短时间上的自相关性。根据这两个图我可能会用(1,0,0)、(3,0,0)、(0,0,1)、(0,0,3)、(1,0,1)、(3,0,3)等。
然后进行组合构建各个模型。再根据BIC、AIC值或者实际情况来选择模型。
然后对选出来的模型进行诊断,看是否还需要修改。
也会再看看把各个阶数加1或减1后对模型的行为有何影响。