Partielle Autokorrelation in Zeitreihendaten

Wie die Autokorrelation misst die partielle Autokorrelationsfunktion (PACF) den Korrelationskoeffizienten zwischen einer Zeitreihe und verzögerten Versionen von ihr selbst. Sie geht jedoch einen Schritt weiter, indem sie den Einfluss vorheriger Zeitpunkte herausrechnet. Eine partielle Autokorrelationsfunktion der Ordnung 3 gibt zum Beispiel die Korrelation zwischen unserer Zeitreihe (t_1, t_2, t_3, …) und ihren um 3 Zeitpunkte verzögerten Werten (t_4, t_5, t_6, …) zurück – allerdings erst, nachdem alle Effekte der Lags 1 und 2 entfernt wurden.

Die Funktion plot_pacf() aus der Bibliothek statsmodels kann verwendet werden, um die partielle Autokorrelation einer Zeitreihe zu berechnen und zu visualisieren.

Diese Übung ist Teil des Kurses

Zeitreihendaten in Python visualisieren

Kurs anzeigen

Anleitung zur Übung

Importiere tsaplots aus statsmodels.graphics.
Verwende die Funktion plot_pacf() aus tsaplots, um die partielle Autokorrelation der Spalte 'co2' in co2_levels zu plotten.
Gib eine maximale Verzögerung (max lag) von 24 an.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import required libraries
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')
____

# Display the partial autocorrelation plot of your time series
fig = ____(co2_levels[____], lags=____)

# Show plot
plt.show()

Code bearbeiten und ausführen