04.2.3
ラグプロットのグリッド
plt.subplots(2, 2) のグリッドに並べ、ax.scatter(series[:-lag], series[lag:]) で描きます。点が対角線に沿えば強い自己相関、円弧を描けば周期、雲のように散れば無相関と読め、ACF の相関係数 1 つでは見えない「直線か曲線か」の違いを確かめられます。自己相関関数 (ACF) でラグ \(k\) の自己相関係数が何を測っているかを知っておくと、ラグプロットが「その係数 1 つを散布図にほどいたもの」だと分かります。
4 枚の散布図を並べると、ACF の数値では分からない「直線か、輪か」という自己相関の形が見えます。
直感 #
ACF のラグ 7 の棒が 0.3 だったとき、それが「全体がゆるく直線に乗る 0.3」なのか「半分は強く相関し、残り半分は無関係な 0.3」なのかは分かりません。ラグプロットは \((x_{t-k}, x_t)\) の点を全部打つので、その中身が形として見えます。前日とほぼ同じ値を取る系列ならラグ 1 の点は対角線 \(y = x\) に張り付き、周期 30 日の波を持つ系列ならラグ 7 の点は輪のように回ります。4 枚を同じ図に並べる理由は、ラグを変えたときに形がどう崩れ、どこで戻るかを一度に見比べるためです。
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、1 日あたり 0.04 の上昇トレンドと振幅 2.5・周期 30 日の正弦波に標準偏差 0.8 のノイズを足した 300 日の系列を作り、ラグ 1・2・7・30 の散布図を 2×2 に並べます。
| |
実行結果の読み方 #
ラグ 1 とラグ 2 の図では点が対角線 \(y = x\) の近くに細長く並びます。これは前日と今日がほぼ同じ値を取る、強い正の自己相関の形で、AR モデルが効きやすいサインです。ラグ 7 の図では帯が太くなり、傾いた楕円から輪に近い形へ崩れます。周期 30 日の波の 7 日ぶんずれた点は位相が 84° 進んでいるので、直線ではなく曲線上に散るためです。ラグ 30 の図は仕込んだ周期とちょうど同じ長さなので、波の成分は打ち消し合い、トレンドぶん(30 日で 1.2)だけ上にずれた対角線に点が戻ってきます。実データでラグ 7 や 30 の点がこの図より散らばっていれば、その周期は弱いか存在しないと判断します。
使いどころと落とし穴 #
ラグプロットが得意なのは、相関係数が同じでも形が違うケースの判別です。点が U 字や輪を描くなら \(x_t\) は \(x_{t-k}\) の線形関数ではないので、線形の AR モデルより 多項式回帰 やツリー系の特徴量に shift(k) を渡すほうが合います。落とし穴はトレンドで、この例の 0.04/日 程度でも 300 日で 12 だけ全体が斜め上に流れ、どのラグでも対角線に点が乗って見えます。series.diff() を 1 回かけてから描けば、本当の自己相関の形だけが残ります。
- 自己相関関数 (ACF) — ラグごとの相関強度を棒グラフで確認
- 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
- ラグ散布図 — ラグ付き散布図で系列の自己相関を視覚化