PACF показывает прямую связь между наблюдением и его лагом после удаления влияния промежуточных лагов. Для AR(p) PACF обрывается после лага p — ключевой инструмент идентификации порядка модели.
База: компоненты ряда, стационарность, ACF/PACF и базовые постановки задач.
Ключевые темы: база, стационарность, acf/pacf, декомпозиция.
Частичная автокорреляция (PACF) показывает связь значения ряда с его значением на заданном лаге после устранения влияния всех промежуточных лагов. То есть это чистая зависимость на конкретном сдвиге, не объяснённая более близкими наблюдениями. PACF дополняет обычную автокорреляцию: она помогает понять, насколько глубоко прошлое напрямую влияет на настоящее, и часто визуализируется в виде графика по лагам.
Где применяется в аналитике: Применяется при диагностике временных рядов и выборе порядка авторегрессионной части модели. В аналитике помогает определить, сколько прошлых периодов действительно несут самостоятельную информацию для прогноза, и отделить прямые зависимости от косвенных.
На собеседовании: Проверяют, понимаете ли вы разницу между обычной и частичной автокорреляцией и зачем убирают влияние промежуточных лагов. Обращают внимание на умение читать график и связывать его с выбором модели.
В Pro-подписке по этому конспекту получите: