Função de autocorrelação (ACF)

A função de autocorrelação calcula a correlação de uma série consigo mesma em cada defasagem e traça um correlograma com limites de significância, além das estatísticas T e Q de Ljung-Box. Use-a antes de prever, para decidir sobre a diferenciação e os termos do ARIMA, e depois do ajuste, para verificar se os resíduos não têm padrão temporal. A série deve ser numérica, em ordem temporal e sem lacunas.

Última revisão

Conclusão principal

A função de autocorrelação (ACF) mede o quanto uma série temporal se correlaciona consigo mesma 1, 2, 3 ou mais períodos antes, revelando tendência, sazonalidade ou efeito residual antes da escolha de um modelo de previsão.

Nesta página
  1. Finalidade
  2. Principais recursos
  3. Métodos estatísticos
  4. Campos de entrada e opções
  5. Descrição da saída
  6. Exemplo prático

Finalidade

A função de autocorrelação (ACF) mede o quanto uma série é correlacionada consigo mesma 1, 2, 3 … períodos antes. O padrão dessas correlações mostra uma tendência, uma sazonalidade ou um simples efeito residual de um período para o seguinte. Use-a antes de escolher um modelo de previsão, para decidir se a série precisa de diferenciação e quais termos do ARIMA testar, e depois de ajustar um modelo, para verificar se os resíduos já não têm padrão temporal.

Principais recursos

  • Autocorrelação em cada defasagem de 1 até o número de defasagens escolhido, ou um padrão baseado no tamanho da série.
  • Correlograma (gráfico de barras) com limites de significância tracejados que se alargam com a defasagem.
  • Estatística T de cada defasagem e a estatística Q de Ljung-Box (LBQ) acumulada, em uma única tabela.
  • Funciona com qualquer coluna numérica em ordem temporal; a série não pode ter lacunas.

Métodos estatísticos

Para uma série y₁ … yₙ com média ȳ, a autocorrelação na defasagem k é rₖ = Σₜ (yₜ − ȳ)(yₜ₊ₖ − ȳ) / Σₜ (yₜ − ȳ)², a ACF amostral padrão. Seu erro padrão usa a fórmula de Bartlett, SEₖ = √((1 + 2·(r₁² + … + rₖ₋₁²)) / n), de modo que cresce com a defasagem quando as autocorrelações anteriores são grandes. A coluna T é rₖ / SEₖ, e os limites de significância no gráfico são ± t₀.₉₇₅,ₙ₋₁ × SEₖ (cerca de ±2 erros padrão). Uma barra fora dos limites indica uma correlação improvável de ser casual no nível de 5%.

A estatística de Ljung-Box LBQₖ = n(n + 2)·Σⱼ≤ₖ rⱼ² / (n − j) testa se as k primeiras autocorrelações são todas nulas em conjunto. Para uma série aleatória, ela segue aproximadamente uma distribuição qui-quadrado com k graus de liberdade; assim, um valor bem acima do valor crítico do qui-quadrado significa que a série tem um padrão temporal a ser modelado. Quando Number of lags está em branco, a ferramenta usa n/4 defasagens (√n + 45 quando n > 240), e nunca mais que n − 1.

Como ler o padrão: correlações que diminuem lentamente ao longo de muitas defasagens indicam uma tendência (a série não é estacionária e precisa de diferenciação); um pico na defasagem sazonal (12 para dados mensais) indica uma sazonalidade; um corte abrupto após a defasagem q sugere um termo de média móvel de ordem q.

Campos de entrada e opções

Campo

Descrição

Variable

Obrigatório. A coluna numérica com a série, em ordem temporal.

Number of lags

Opcional, de 1 a 1000. A maior defasagem exibida. Em branco, usa n/4 (√n + 45 quando n > 240). Para dados sazonais, escolha pelo menos duas estações completas, ex.: 24 para dados mensais.

Title

Título exibido no gráfico. O padrão é Autocorrelation Function.

autocorrelation-inputs


Figura 1 — Autocorrelação das Sales mensais para 24 defasagens (dois anos).

Descrição da saída

  • Autocorrelation Function (gráfico) — uma barra para cada defasagem com os limites de significância tracejados.
  • Autocorrelation Function: <variable> (tabela) — Lag, ACF, T e LBQ para cada defasagem.
  • Exportação em PDF por meio de Download.

autocorrelation-output


Figura 2 — ACF das vendas mensais: uma grande correlação de 0.79 na defasagem 1 que decai lentamente e uma segunda elevação na defasagem 12.

Exemplo prático

Um distribuidor de eletrônicos de consumo registra as vendas unitárias todos os meses, de janeiro de 2020 a dezembro de 2024 (60 meses). Antes de construir uma previsão, o analista de vendas verifica como cada mês se relaciona com os 24 meses anteriores. Ele seleciona Variable = Sales e Number of lags = 24.

A autocorrelação na defasagem 1 é 0.79 (T 6.08): meses vizinhos são muito parecidos. As correlações diminuem apenas lentamente, de 0.58 na defasagem 2 a 0.49 na defasagem 6, e as defasagens 1 a 5 estão fora dos limites de significância. Esse decaimento lento é a marca de uma tendência: as vendas não são estacionárias. Após um mínimo de 0.28 na defasagem 10, a ACF sobe novamente a 0.51 na defasagem 12, a sazonalidade anual; essa barra permanece dentro dos limites, que nesse ponto são largos (±0.66) por causa das grandes correlações anteriores. O LBQ chega a 228.1 na defasagem 24, muito acima de 36.4, o valor crítico do qui-quadrado a 5% com 24 graus de liberdade; portanto, há um forte padrão temporal a modelar.

Para a previsão, isso significa que a série deve ser diferenciada (aqui, sazonalmente, em 12 meses) ou que a tendência deve ser modelada diretamente. Nas diferenças de 12 meses de Sales, o decaimento lento desaparece: a ACF é 0.47 na defasagem 1 e nenhuma outra defasagem até a 11 fica fora dos limites, razão pela qual o exemplo de ARIMA usa um termo AR(1) na série diferenciada sazonalmente. A ACF de Advertising Spend tem um pico anual ainda mais forte: 0.59 na defasagem 12 (T 2.52).

Perguntas frequentes

O que é a função de autocorrelação (ACF)?

A função de autocorrelação mede o quanto uma série é correlacionada consigo mesma 1, 2, 3 ou mais períodos antes. A autocorrelação na defasagem k compara cada valor com o valor k períodos depois, em relação à média da série. O padrão dessas correlações revela uma tendência, uma sazonalidade ou um simples efeito residual de um período para o seguinte.

Como ler um gráfico de ACF?

Barras fora dos limites de significância tracejados são correlações improváveis de serem casuais no nível de 5%. Correlações que diminuem lentamente ao longo de muitas defasagens indicam uma tendência; a série não é estacionária e precisa de diferenciação. Um pico na defasagem sazonal, como 12 para dados mensais, indica uma sazonalidade. Um corte abrupto após a defasagem q sugere um termo de média móvel de ordem q.

O que a estatística Q de Ljung-Box (LBQ) testa?

A estatística de Ljung-Box testa se as k primeiras autocorrelações são todas nulas em conjunto. Para uma série aleatória, ela segue aproximadamente uma distribuição qui-quadrado com k graus de liberdade; assim, um valor bem acima do valor crítico do qui-quadrado significa que a série tem um padrão temporal a ser modelado. No exemplo de vendas, o LBQ chegou a 228.1 na defasagem 24, muito acima de 36.4.

Quantas defasagens usar na ACF?

Se for deixado em branco, a ferramenta usa n/4 defasagens, ou a raiz quadrada de n mais 45 quando n excede 240, e nunca mais que n - 1. Para dados sazonais, escolha pelo menos duas estações completas, por exemplo 24 defasagens para dados mensais, para que o pico sazonal e sua repetição possam ser vistos.