r - R：ARIMA 模型和残差之间的自相关

Question

在文章中：使用 Google 趋势评估全球 COPD 意识 https://www.researchgate.net/publication/333155916_Assessing_global_COPD_awareness_with_Google_Trends

我发现了以下统计分析的描述：

对于统计分析，我们将数据细分为月份（季节性成分）和一年中的季度，定义如下：第一季度（Q1）= 1 月 - 3 月，第 2 季度（Q2）= 4 月 - 6 月，第 3 季度（Q3） = 7 月 - 9 月，第 4 季度 (Q4) = 10 月 - 12 月。相关分析是使用 Loess 的时间序列季节性分解（局部多项式回归拟合）进行的，它允许将时间序列分解为季节性部分、趋势和不规则部分。建立了考虑残差之间自相关的广义最小二乘模型，以在调整季节性成分后进一步评估趋势是否随时间显着。残差的相关结构是通过使用 AIC 准则自动选择 ARIMA 模型参数推导出来的.

数据表示为系数 (beta)、标准误差和 p 值。

我完全不明白加粗的片段。我准备了一些代码来从时间序列数据中准备 ARIMA 模型。但是，我不知道自相关计算过程。

让我们看一些代码：

library(forecast)
data(AirPassengers)
model_arima<- auto.arima(y=AirPassengers,seasonal=TRUE,stepwise=TRUE)
model_arima
Series: AirPassengers 
ARIMA(2,1,1)(0,1,0)[12] 

Coefficients:
         ar1     ar2      ma1
      0.5960  0.2143  -0.9819
s.e.  0.0888  0.0880   0.0292

sigma^2 estimated as 132.3:  log likelihood=-504.92
AIC=1017.85   AICc=1018.17   BIC=1029.35

...以及如何看待下一步以获得上述文章中的自相关结果？

标签： rstatisticstime-seriesarimaautocorrelation