K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

可視化と相関診断

04.2

可視化と相関診断

まとめ
この章では、モデルを当てる前に時系列の「癖」を図で読む 5 つの診断を扱います。自己相関関数(ACF)と偏自己相関(PACF)を plot_acf / plot_pacf で描き、棒の減衰の形から AR と MA の次数 \(p, q\) を見積もります。ラグプロットのグリッドで相関の「形」が直線か輪かを確かめ、numpy.fft.rfft のパワースペクトルで 7 日や 30 日といった周期の長さを周波数側から特定し、ラグ 0〜20 の相関行列をヒートマップで見渡して特徴量に足すラグを選びます。

直感 #

ARIMA の次数を 1 つずつ試して AIC を比べる前に、ACF と PACF を 1 枚ずつ描けば候補は 2〜3 通りに絞れます。ACF の棒がゆっくり減衰し PACF がラグ 1 で切れるなら AR(1)、逆なら MA(1) という読み方で、系列の「記憶の長さ」と「直接効くラグ」を分けて見るのが要点です。周期があるなら ACF のラグ 7 や 30 にピークが立ちますが、どちらの周期が強いかはパワースペクトルの棒の高さ比(振幅の 2 乗比)のほうが直接読めます。ラグプロットは相関係数 0.3 の中身が「ゆるい直線」か「輪」かを見せてくれるので、線形の AR で足りるか、非線形な特徴量が必要かの判断材料になります。

詳細な解説 #

このチャプターで学べること #

  • ACFプロットの描画と、減衰パターンからAR/MA成分を読み解く方法
  • PACFで自己回帰の次数を推定する手順
  • ラグプロットのグリッドで自己相関の形状を視覚的に確認する手法
  • パワースペクトル(FFT)による周期成分の検出
  • 自己相関ヒートマップによる複数ラグの相関の一覧化

これがわかるとできること #

  • データを見ただけでARIMAの候補次数を絞り込める
  • 季節性の有無と周期の長さ(7 日・30 日など)を定量的に判断できる
  • モデル選択の根拠を可視化して説明できる

学習の進め方 #

まず 自己相関関数 (ACF) と 偏自己相関 (PACF) を読み、AR(1) 係数 0.6 の人工系列で「ゆっくり減衰する棒」と「ラグ 1 で切れる棒」の違いを目に焼き付けます。次に ラグプロットのグリッド でラグ 1・2・7・30 の散布図を並べ、相関係数の裏にある点の形を確かめます。最後に パワースペクトル と 自己相関のヒートマップ で、周期の長さを数値で決め、特徴量として使うラグの候補を選ぶところまで進めます。