Autocorrelatieplots interpreteren
Als autocorrelatiewaarden dicht bij 0 liggen, dan zijn waarden tussen opeenvolgende observaties niet met elkaar gecorreleerd. Omgekeerd duiden autocorrelatiewaarden dicht bij 1 of -1 respectievelijk op een sterke positieve of negatieve correlatie tussen opeenvolgende observaties.
Om je te helpen inschatten hoe betrouwbaar deze autocorrelatiewaarden zijn, geeft de functie plot_acf() ook betrouwbaarheidsintervallen terug (weergegeven als blauw gearceerde gebieden). Als een autocorrelatiewaarde buiten het betrouwbaarheidsinterval valt, kun je aannemen dat de waargenomen autocorrelatiewaarde statistisch significant is.
Zijn in de onderstaande autocorrelatieplot opeenvolgende observaties sterk gecorreleerd (d.w.z. groter dan 0,5) en statistisch significant?
Deze oefening maakt deel uit van de cursus
Tijdreeksen visualiseren in Python
Praktische interactieve oefening
Zet theorie om in actie met een van onze interactieve oefeningen.
Begin met trainen