Partial Autocorrelation ในข้อมูล Time Series

เช่นเดียวกับ autocorrelation ฟังก์ชัน partial autocorrelation (PACF) ใช้วัดค่าสัมประสิทธิ์สหสัมพันธ์ระหว่าง time series กับค่าที่ล่าช้า (lagged) ของตัวเอง แต่ PACF ขยายแนวคิดนี้ด้วยการตัดผลกระทบจากจุดเวลาก่อนหน้าออกด้วย ตัวอย่างเช่น PACF ที่ order 3 จะคืนค่าสหสัมพันธ์ระหว่าง time series (t_1, t_2, t_3, …) กับค่าที่ล่าช้า 3 จุดเวลา (t_4, t_5, t_6, …) โดยตัดผลกระทบทั้งหมดที่เกิดจาก lag 1 และ 2 ออกไปแล้ว

ฟังก์ชัน plot_pacf() ในไลบรารี statsmodels ช่วยให้คำนวณและพล็อต partial autocorrelation ของ time series ได้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การแสดงภาพข้อมูล Time Series ด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

Import tsaplots จาก statsmodels.graphics
ใช้ฟังก์ชัน plot_pacf() จาก tsaplots เพื่อพล็อต partial autocorrelation ของคอลัมน์ 'co2' ใน co2_levels
กำหนด lag สูงสุดที่ 24

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()

แก้ไขและรันโค้ด