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