04.2.1
自己相関関数 (ACF) のプロット
statsmodels.graphics.tsaplots.plot_acf でラグ 30 までの ACF を描きます。読み終えると、棒がゆっくり減衰するか急に消えるかで AR と MA のどちらが有力かを判断でき、周期の倍数に立つピークから季節性の長さを読み取れるようになります。日次データの基本プロット で DatetimeIndex を持つ pd.Series の作り方と折れ線の読み方を押さえておくと、ここで出てくる「ラグ」の意味がすぐつかめます。
自己相関関数(ACF)は「何日前の値とどれだけ似ているか」をラグごとに測り、ARIMA モデルの次数選択や残差診断の手がかりになります。
直感 #
今日の気温は昨日の気温とよく似ていて、1 週間前とはやや似ていて、半年前とはほぼ無関係です。この「何日前とどれだけ似ているか」を相関係数で測り、ラグ 1、2、3、…と横に並べたのが ACF です。ラグ 0 は自分自身との相関なので必ず 1 になります。ラグが大きくなるほど普通は 0 に近づきますが、周期 12 日の波が混ざっていれば、12 日ずらした系列はまた元の形に重なるので、ラグ 12 と 24 の棒が再び高くなります。
何が起きているか(ステップで見る) #
コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。
見るポイント:ずらした自分自身との相関が自己相関。周期と同じラグで相関が高くなる。
Python で描く #
次のコードは、前日の値を 0.6 倍だけ引き継ぐ AR(1) 成分と周期 12 日の正弦波、標準偏差 1 のノイズを足した 200 日分の系列を作り、plot_acf でラグ 30 までの自己相関を棒グラフにします。
| |
実行結果の読み方 #
ラグ 0 の棒は常に 1 です。ラグ 1 の棒が高く、そこから 0.6 倍ずつ縮むように減っていく形が AR(1) 成分の指紋で、この「ゆっくり減衰」が見えたら AR が有力です。正弦波の周期が 12 日なので、ラグ 6 付近で負の相関に沈み、ラグ 12 と 24 で再び正のピークが立ちます。薄い青の帯は 95 % 信頼区間で、おおよそ \(\pm 1.96/\sqrt{200} \approx \pm 0.14\) の幅です。帯の中に収まる棒は「相関 0 と区別できない」と読み、モデルに含める候補から外します。逆に、ラグ 1 だけが高くてラグ 2 以降が一斉に帯の中へ消えるなら MA(1) が有力です。
使いどころと落とし穴 #
ACF は ARIMA の次数選びと、学習後の残差診断の 2 か所で使います。残差の ACF がすべて信頼区間に収まれば、モデルが時間方向の構造を取り切った証拠です。落とし穴はトレンドで、上昇し続ける系列は全ラグで高い正の相関を示すため、周期の有無が読めません。series.diff() で 1 階差分を取ってから plot_acf に渡すと、季節性のピークが見えてきます。どのラグが直接効いているかは ACF だけでは分からないので、中間ラグの影響を除いた 偏自己相関 (PACF) と並べて判断します。
- 偏自己相関 (PACF) — 中間ラグの影響を除いた純粋な相関を確認
- 自己回帰 (AR) モデル — 過去の値から短期予測を行う
- ARIMA モデル — 差分・自己回帰・移動平均を組み合わせた古典的予測