如何解釋這些 acf 和 pacf 圖
以下是每月數據系列的 acf 和 pacf 圖。第二個圖是帶有 ci.type=‘ma’ 的 acf：
acf 圖中高值的持續存在可能代表了長期的積極趨勢。問題是這是否代表季節性變化？
我試圖查看有關此主題的不同站點，但我不確定這些圖是否顯示季節性。
編輯：以下是延遲高達 60 的圖表：
以下是 diff(my_series) 的圖：
最多滯後 60：
編輯：此數據來自：這是測試自殺計數數據中季節性影響的合適方法嗎？ 在這裡，貢獻者不認為原始或差異系列的 acf 和 pacf 情節值得一提（所以它一定不重要）。僅在幾個地方提到了殘差的 acf/pacf 圖。
查看圖表以嘗試將數據歸類為猜測的 arima 模型在以下情況下效果很好：1：數據中沒有異常值/脈衝/電平變化、本地時間趨勢和季節性確定性脈衝，並且 2）當 arima 模型有隨時間變化的常數參數和 3) 當來自 arima 模型的誤差方差隨時間變化時具有常數變化。這三件事什麼時候成立….在大多數教科書數據集中展示了 arima 建模的便利性。什麼時候 3 個中的 1 個或多個不成立……在我見過的每個真實世界數據集中。對您的問題的簡單回答需要訪問原始事實（歷史數據）而不是圖中的次要描述信息。但這只是我的意見！
收到數據後編輯：
我在希臘度假（實際上是在做時間序列分析以外的事情），無法分析自殺數據，但結合這篇文章。現在，我提交分析以跟進/證明我對多階段模型識別策略的評論以及簡單相關圖的簡單可視化分析的失敗作為“證據在布丁中”是合適且正確的。
這是原始數據的 ACF
原始系列的 PACF
。AUTOBOX http://www.autobox.com/cms/我幫助開發的一個軟件使用啟發式方法來識別起始模型 在這種情況下，最初識別的模型被發現是
. 對該模型的殘差進行診斷檢查建議使用電平偏移、脈沖和季節性脈衝進行一些模型增強。請注意，電平偏移是在周期 164 或其附近檢測到的，這與@forecaster 關於週期 176 的早期結論幾乎相同。不是條條大路通羅馬，但有些路可以讓你靠近！
. 測試參數恆定性拒絕參數隨時間的變化。檢查誤差方差中的確定性變化得出結論，在誤差方差中未檢測到確定性變化。
. 需要進行冪變換的 Box-Cox 檢驗是肯定的，得出的結論是需要進行對數變換。
. 最終模型在這裡
。最終模型的殘差似乎沒有任何自相關
。最終模型殘差圖似乎沒有任何高斯違規
。實際/擬合/預測圖在這裡
，預測在這裡
