Para detectar autocorrelacao em series temporais, plote o valor anterior contra o valor atual. Se o padrao subir, a autocorrelacao e forte.
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("Valor em t-1")
ax.set_ylabel("Valor atual")
ax.set_title(f"Dispersao com lag {lag} (corr {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()
Dicas de leitura #
- Pontos alinhados para cima sugerem autocorrelacao forte e persistencia de tendencia.
- Uma nuvem circular indica autocorrelacao fraca, proxima de random walk.
- Compare varios lags em pequenos multiplos para escolher o melhor atraso.