如何解釋 ACF 和 PACF 圖

我只想檢查我是否正確解釋了 ACF 和 PACF 圖：

數據對應於實際數據點與使用 AR(1) 模型生成的估計值之間產生的誤差。

我在這裡查看了答案：

通過 ACF 和 PACF 檢查估計 ARMA 係數

閱讀後似乎錯誤不是自相關的，但我只想確定，我的擔憂是：

1.）第一個錯誤就在邊界上（在這種情況下，我應該接受還是拒絕在滯後 1 處存在顯著的自相關）？

2.) 這些線代表 95% 的置信區間，考慮到有 116 個滯後，我預計不超過 (0.05 * 116 = 5.8，我四捨五入為 6) 6 個滯後超出邊界。對於 ACF，情況就是這樣，但對於 PACF，大約有 10 個例外。如果包括邊界上的那些，它更像是 14？這是否仍然表明沒有自相關？

3.) 我是否應該了解所有違反 95% 置信區間的情況都是不利的事實？

您顯示的圖中沒有明顯的結構。

位於頻帶之外的那些負偏自相關的滯後階不是彼此的倍數（它們是滯後，22、56、62、78、94），即它們不會在常規數量的滯後之後出現，例如 12 , 24, 36, 48，所以我不會根據情節推斷出任何模式。

作為補充，您可以應用運行測試，這是一種獨立性測試，可能有助於捕獲正值或負值的運行，這將暗示數據中的某些模式。

至於一些自相關的重要性，我看到它們是大量出現的。您應該考慮這些自相關是否有意義，或者在您的數據上下文中是否可以預期。期望 56 次觀察前觀察到的值會影響當前觀察是否明智？如果我們有季度數據，則值得檢查滯後 8 和 12 的顯著相關性，因為它們是數據周期性的倍數，並且可能反映我們可以在數據背景下解釋的一些季節性模式。但是，如果在延遲 9、11 或更高的延遲上出現明顯的延遲，我不會太擔心，而我沒有解釋可以證明它是常規模式的合理性。

引用自：https://stats.stackexchange.com/questions/117337