Autocorrélation et autocorrélation partielle

Visualiser des séries chronologiques en Python

Thomas Vincent

Head of Data Science, Getty Images

Autocorrélation dans les séries chronologiques

L'autocorrélation mesure la corrélation entre une série chronologique et une copie décalée d'elle-même
Par exemple, une autocorrélation d'ordre 3 donne la corrélation entre une série aux points (t_1, t_2, t_3, ...) et ses propres valeurs décalées de 3 pas de temps, soit (t_4, t_5, t_6, ...)
Elle sert à repérer des motifs répétitifs ou un signal périodique dans les séries chronologiques

Statsmodels

statsmodels est un module Python qui offre des classes et fonctions pour estimer divers modèles statistiques, réaliser des tests et explorer des données statistiques.

Tracer les autocorrélations

import matplotlib.pyplot as plt
from statsmodels.graphics import tsaplots
fig = tsaplots.plot_acf(co2_levels['co2'], lags=40)

plt.show()

Interpréter les graphiques d'autocorrélation

Autocorrélation dans les séries chronologiques

Autocorrélation partielle dans les séries chronologiques

Contrairement à l'autocorrélation, l'autocorrélation partielle enlève l'effet des points précédents
Par exemple, une fonction d'autocorrélation partielle d'order 3 donne la corrélation entre notre série (t1, t2, t3, ...) et ses valeurs décalées de 3 pas (t4, t5, t6, ...), mais après avoir retiré tous les effets attribuables aux retards 1 et 2

Tracer les autocorrélations partielles

import matplotlib.pyplot as plt

from statsmodels.graphics import tsaplots
fig = tsaplots.plot_pacf(co2_levels['co2'], lags=40)

plt.show()

Interpréter les graphiques d'autocorrélation partielle

Autocorrélation partielle dans les séries chronologiques

Passons à la pratique !

Visualiser des séries chronologiques en Python