Cómo entender un gráfico de acf / autocorrelación

Question

Como principiante en este tema tengo algunas preguntas básicas: Me gustaría saber cómo hay que entender las bandas de CI en, por ejemplo, esta trama:

sm.graphics.tsa.plot_acf(df['variable'].values.squeeze(), lags=40)

Lo que obtuve hasta ahora es que el IC representa qué rezagos son significativos, más precisamente, aquellos rezagos con valores que exceden la banda son significativos. Así que esto significa, todos los rezagos son significativos aquí?

Entonces me di cuenta, más bien por accidente, de que puedo rehacer que al utilizar acf dentro del comando de trazado:

sm.graphics.tsa.plot_acf(acf(df['variable']), lags=40)

¿Tengo que usar acf ¿siempre antes de trazar o ya se hace al trazar? Parece totalmente diferente, por lo que me pregunto sobre el significado de la segunda trama. Por último, me he dado cuenta de que no puedo utilizar más de 40 rezagos. ¿Se debe a los datos?

Answer 1

El método plot_acf traza la serie de autocorrelación de la serie temporal dada en su primer argumento. En este caso, si quiere trazar la acf de df.variable se llama al método de trazado sin llamar al método acf . Ya está hecho en el método de trazado. Lo que se hace en segundo lugar encuentra el acf de acf.

Y, el número máximo de rezagos en acf es igual al $L-1$ . Vea aquí la muestra de autocorrelación fórmula que no es exactamente lo mismo que tsa lo calcula (hay diferentes tipos de definiciones de autocorrelación en la literatura) pero los índices de suma son los mismos. Para $\rho_k$ el índice de suma llega hasta $n-k$ , mientras que se inicia a partir de $1$ . Así que, claramente, $k\neq n$ porque la suma sería $0$ o/w. Esto significa que no tienes suficientes datos para estimar el acf en el lag $n$ .

Todos los rezagos son significativos según el criterio dado en el acf función. Si quiere ser más estricto, puede disminuir el error de tipo I, es decir alpha . El valor por defecto es $0.05$ , lo que significa que $95\%$ confianza.