Interpretación de la correlación CCF en R


10

Estoy usando ccfpara encontrar una correlación entre 2 series de tiempo. Estoy obteniendo una trama que se ve así:

ingrese la descripción de la imagen aquí

Tenga en cuenta que estoy interesado principalmente en la correlación para el retraso = 0. Preguntas:

  1. ¿Interpreta correctamente que hay una correlación cruzada para el retraso = 0, ya que para este retraso la correlación cruzada está por encima de la línea de puntos?
  2. ¿Cómo debería interpretar el nivel de correlación cruzada en este ejemplo? ¿Es esto significativo (como lo interpreto ahora, hay una pequeña correlación cruzada)?
  3. ¿Cómo puedo extraer solo el acfvalor para lag = 0?

Respuestas:


3

¿Cómo puedo extraer solo el valor acf para lag = 0?

El acf en el retraso 0 ( ) es siemprecorr(Xt,Xt) 1.

¿Interpreta correctamente que hay una correlación cruzada para el retraso = 0, ya que para este retraso la correlación cruzada está por encima de la línea de puntos?

Si quiere decir "¿concluiría que la correlación cruzada de la población no es cero?" entonces sí, si esa línea punteada es para el mismo nivel de significancia que usarías (y los supuestos se mantienen).

En realidad, esto no implica que la correlación cruzada de la población sea realmente cero (eso parecería sorprendente). Sin embargo, si el intervalo es bastante estrecho alrededor de cero, a veces puede ser razonable tratarlo como si lo fuera.

¿Cómo debería interpretar el nivel de correlación cruzada en este ejemplo? ¿Es esto significativo (como lo interpreto ahora, hay una pequeña correlación cruzada)?

0.3 no es necesariamente pequeño, eso depende de su criterio. En algunas aplicaciones puede ser bastante grande, en otras moderada, en otras más pequeña.


¿Significa esto que el modelo no se puede validar, ya que existe una correlación cruzada significativa en el retraso 0?
Vam

7

Su interpretación de la trama es correcta. La única correlación cruzada significativa en el5%El nivel de significación está en el rezago cero. Por lo tanto, no podemos decir que una variable lidere a la otra variable (es decir, no podemos prever o anticipar los movimientos en una variable mirando la otra).

Ambas variables evolucionan simultáneamente. La correlación es positiva, cuando uno aumenta, el otro también aumenta, y viceversa. Sin embargo, la correlación no es demasiado fuerte (alrededor0.3)

Puede obtener los valores exactos de las correlaciones cruzadas simplemente almacenando la salida en un objeto y mirando el elemento acf.

res <- ccf(x, y, lag.max = 30)
res
# information stored in the output object
names(res)
[1] "acf"    "type"   "n.used" "lag"    "series" "snames"
res$acf

Es posible que desee hacer algo así data.frame(res$lag, res$acf)para poder decir fácilmente a qué retraso se aplica cada correlación.
eipi10
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.