04.2.5
自己相関のヒートマップ
series.shift(lag) でラグ付きの DataFrame を作り、.corr() で相関行列を求め、seaborn.heatmap の cmap="RdBu_r" で赤(正)と青(負)に塗り分けます。ACF の棒グラフが「ラグ 0 と各ラグ」の相関しか見せないのに対し、ヒートマップは「ラグ 3 とラグ 10」のような任意の組み合わせを一度に見渡せるので、周期の長さと、特徴量として足すラグの候補を同時に選べます。自己相関関数 (ACF) でラグと自己相関の意味、信頼区間の読み方を押さえておくと、ヒートマップの 1 行目が ACF そのものだと分かります。
ラグどうしの相関を 21×21 の行列にして色で塗ると、どの遅れとどの遅れが似た動きをするかを一枚で見渡せます。
直感 #
ACF の棒グラフは「今日と \(k\) 日前」の相関だけを並べたものです。ところが「3 日前と 10 日前はどれくらい似ているか」のような問いには答えられません。そこで元の系列を 0 日、1 日、…、20 日ずらしたコピーを 21 本作り、すべてのペアの相関係数を 21×21 の表にします。表の 1 行目(lag_0 の行)は普通の ACF と同じで、斜めに離れるほど「ずれの差」が大きいペアになります。周期 30 日の波が入っていると、ずれの差が 15 日のペアはちょうど逆位相になるので、対角線から 15 マス離れた位置に青い帯が走ります。
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 0.5 倍だけ引き継ぐ AR(1) 成分と周期 30 日の正弦波を混ぜた 250 日の系列から、ラグ 0〜20 の 21 列を作り、その相関行列を seaborn.heatmap で描きます。
| |
実行結果の読み方 #
対角線は相関 1 の濃い赤です。その両脇に沿って赤い帯が 2〜3 マス幅で走っているのが AR(1) 係数 0.5 の効果で、ずれの差が 1 日なら約 0.5、2 日なら約 0.25 と減っていきます。対角線から 15 マス離れた帯が青いのは、周期 30 日の波の半周期ぶんずれて逆位相になるためです。読むときは lag_0 の行(いちばん上)を左から右へ追い、濃い赤が立ち上がる列を探します。そこが「今日の値をよく説明する過去の日数」で、回帰や勾配ブースティングに shift(k) の列を足すときの候補になります。
使いどころと落とし穴 #
ヒートマップは、lag_1 から lag_20 までのうち互いに似すぎた列を見つけるのにも役立ちます。lag_1 と lag_2 の相関が 0.9 を超えるなら、両方を特徴量にしても情報はほとんど増えず、線形回帰では多重共線性で係数が不安定になります。ひとつ注意したいのは max_lag の選び方です。20 を 60 にすると行列は 61×61 に膨らみ、.dropna() で先頭 60 日が消えるので、250 日の系列では使える行が 190 行まで減ります。周期の長さを先に パワースペクトル で見当づけ、その 1.5〜2 倍を max_lag にすると無駄がありません。
- 自己相関関数 (ACF) — ラグごとの相関強度を棒グラフで確認
- ローリング相関 — 固定窓で系列間の関係変化を追跡
- 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