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

自己相関関数 (ACF) のプロット

入門

04.2.1

自己相関関数 (ACF) のプロット

最終更新 2020-07-29 読了時間 2 分
まとめ
自己相関関数(ACF)は、系列を \(k\) 日ずらした自分自身との相関係数をラグ \(k = 0, 1, 2, \ldots\) ごとに並べた棒グラフです。このページでは、前日の値を 0.6 倍だけ引き継ぐ AR(1) 成分と周期 12 日の正弦波を混ぜた 200 日の人工系列を作り、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。

 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
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf

rng = np.random.default_rng(17)
dates = pd.date_range("2020-01-01", periods=200, freq="D")
values = []
prev = 0.0
for t in range(len(dates)):
    seasonal = 1.5 * np.sin(2 * np.pi * t / 12)
    prev = 0.6 * prev + seasonal + rng.normal(0, 1)
    values.append(prev)

series = pd.Series(values, index=dates)

fig, ax = plt.subplots(figsize=(7, 4))
plot_acf(series, lags=30, ax=ax, color="#2563eb")
ax.set_title("自己相関関数 (ACF)")
ax.set_xlabel("ラグ")
ax.set_ylabel("自己相関")
ax.grid(alpha=0.3)

fig.tight_layout()
fig.savefig("static/images/timeseries/acf.svg")

自己相関関数 (ACF) のプロットの図

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。