机器学习笔记 - 自相关与偏自相关简介

自相关（Autocorrelation）和偏自相关（Partial Autocorrelation）是时间序列分析中常用的概念，用于描述时间序列数据内部的相关性结构。在本文中，我们将介绍自相关和偏自相关的概念，并提供相应的源代码示例。

自相关是指时间序列数据与其自身在不同时间点的相关性。它衡量了一个时间序列与其滞后版本之间的线性关系。自相关函数（Autocorrelation Function，ACF）是用于测量自相关的工具。ACF的值范围在-1到1之间，其中-1表示完全负相关，1表示完全正相关，0表示无相关。

偏自相关是在控制其他滞后项的影响下，衡量一个时间序列与其滞后版本之间的相关性。偏自相关函数（Partial Autocorrelation Function，PACF）用于测量偏自相关。PACF的计算通常基于递归方法，如Yule-Walker方程。

下面是使用Python的statsmodels库计算自相关和偏自相关的示例代码：

import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt