6.7.24
Telusuri autokorelasi dengan lag plot
Untuk melihat autokorelasi pada deret waktu, plot nilai periode sebelumnya vs nilai saat ini. Jika condong ke kanan atas, autokorelasinya kuat.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
| import numpy as np
import matplotlib.pyplot as plt
rng = np.random.default_rng(11)
series = np.cumsum(rng.normal(0, 1.2, size=120)) + 50
lag = 1
x_prev = series[:-lag]
x_curr = series[lag:]
fig, ax = plt.subplots(figsize=(4.4, 4.4))
ax.scatter(x_prev, x_curr, color="#38bdf8", alpha=0.7)
coef = np.corrcoef(x_prev, x_curr)[0, 1]
ax.set_xlabel("Nilai t-1")
ax.set_ylabel("Nilai saat ini")
ax.set_title(f"Scatter lag {lag} (korelasi {coef:.2f})")
ax.grid(alpha=0.2)
lims = [min(series) - 2, max(series) + 2]
ax.plot(lims, lims, color="#475569", linestyle="--", linewidth=1)
ax.set_xlim(lims)
ax.set_ylim(lims)
fig.tight_layout()
plt.show()
|

Kiat membaca
#
- Titik yang membentuk garis naik menunjukkan autokorelasi kuat dan tren yang bertahan.
- Sebaran melingkar mengindikasikan autokorelasi lemah, mirip random walk.
- Bandingkan beberapa lag dalam small multiples untuk memilih lag yang paling berguna.