Tương quan tự hồi quy từng phần trong chuỗi thời gian
Giống như tự tương quan, hàm tương quan tự hồi quy từng phần (PACF) đo hệ số tương quan giữa một chuỗi thời gian và các phiên bản trễ của chính nó. Tuy nhiên, PACF mở rộng ý tưởng này bằng cách loại bỏ thêm ảnh hưởng của các thời điểm trước đó. Ví dụ, PACF bậc 3 trả về tương quan giữa chuỗi thời gian của chúng ta (t_1, t_2, t_3, …) và các giá trị của chính nó bị trễ 3 thời điểm (t_4, t_5, t_6, …), nhưng chỉ sau khi đã loại bỏ mọi ảnh hưởng do các độ trễ 1 và 2 gây ra.
Hàm plot_pacf() trong thư viện statsmodels có thể được dùng để đo lường và vẽ tương quan tự hồi quy từng phần của một chuỗi thời gian.
Bài tập này là một phần của khóa học
Trực quan hóa dữ liệu chuỗi thời gian trong Python
Hướng dẫn bài tập
- Import
tsaplotstừstatsmodels.graphics. - Dùng hàm
plot_pacf()từtsaplotsđể vẽ tương quan tự hồi quy từng phần cho cột'co2'trongco2_levels. - Chỉ định độ trễ tối đa là 24.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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()