Camino aleatorio
En matemáticas, una caminata aleatoria, paseo aleatorio o camino aleatorio es un proceso aleatorio que describe un camino que consiste en una sucesión de... (leer más)
En el análisis de datos, un correlograma o gráfico de correlación es una comparación gráfica. Por ejemplo, en el análisis de series de tiempo, una gráfica de las autocorrelaciones de la muestra versus (los retrasos de tiempo) es un autocorrelograma. Si se grafica la correlación cruzada, el resultado se denomina correlograma cruzado.
El correlograma es una herramienta de uso común para verificar la aleatoriedad en un conjunto de datos. Si son aleatorias, las autocorrelaciones deben estar cerca de cero para todas y cada una de las separaciones de retardo de tiempo. Si no es aleatoria, entonces una o más de las autocorrelaciones serán significativamente distintas de cero.
Además, los correlogramas se utilizan en la etapa de identificación del modelo para los modelos de series de tiempo de promedio móvil autorregresivos de Box-Jenkins. Las autocorrelaciones deben ser cercanas a cero para la aleatoriedad; si el analista no verifica la aleatoriedad, la validez de muchas de las conclusiones estadísticas se vuelve sospechosa. El correlograma es una forma excelente de verificar tal aleatoriedad.
A veces, los correlogramas, matrices mapeadas en color de las intensidades de correlación en el análisis multivariado, también se denominan correlogramas.
El correlograma puede ayudar a proporcionar respuestas a las siguientes preguntas:
válido y suficiente?
La aleatoriedad (junto con el modelo fijo, la variación fija y la distribución fija) es uno de los cuatro supuestos que suelen subyacer en todos los procesos de medición. La suposición de aleatoriedad es críticamente importante por las siguientes tres razones:
donde s es la desviación estándar de los datos. Aunque se usa mucho, los resultados del uso de esta fórmula no tienen valor a menos que se cumpla la suposición de aleatoriedad.
Si los datos no son aleatorios, este modelo es incorrecto e inválido, y las estimaciones de los parámetros (como la constante) se vuelven absurdas e inválidas.
El coeficiente de autocorrelación en el desfase h viene dado por
donde c h es la función de autocovarianza
y c 0 es la función de varianza
El valor resultante de r h oscilará entre −1 y +1.
Algunas fuentes pueden usar la siguiente fórmula para la función de autocovarianza:
Aunque esta definición tiene menos sesgo, la formulación (1/ N) tiene algunas propiedades estadísticas deseables y es la forma más utilizada en la literatura estadística. Consulte las páginas 20 y 49–50 en Chatfield para obtener más detalles.
En el mismo gráfico, se pueden dibujar límites superior e inferior para la autocorrelación con el nivel de significancia :con como la autocorrelación estimada en el desfase .
Si la autocorrelación es más alta (más baja) que este límite superior (más bajo), la hipótesis nula de que no hay autocorrelación en y más allá de un retraso dado se rechaza a un nivel de significancia de . Esta prueba es aproximada y supone que la serie temporal es gaussiana.
En lo anterior, z 1− α /2 es el cuantil de la distribución normal; SE es el error estándar, que se puede calcular mediante la fórmula de Bartlett para procesos MA(ℓ):por1.,">
En el ejemplo trazado, podemos rechazar la hipótesis nula de que no hay autocorrelación entre los puntos de tiempo que están separados por retrasos de hasta 4. Para la mayoría de los períodos más largos, no se puede rechazar la hipótesis nula de que no hay autocorrelación.
Tenga en cuenta que hay dos fórmulas distintas para generar las bandas de confianza:
1. Si el correlograma se usa para probar la aleatoriedad (es decir, no hay dependencia del tiempo en los datos), se recomienda la siguiente fórmula:
donde N es el tamaño de la muestra, z es la función cuantil de la distribución normal estándar y α es el nivel de significancia. En este caso, las bandas de confianza tienen un ancho fijo que depende del tamaño de la muestra.
2. Los correlogramas también se utilizan en la etapa de identificación del modelo para ajustar los modelos ARIMA. En este caso, se asume un modelo de promedio móvil para los datos y se deben generar las siguientes bandas de confianza:
donde k es el retraso. En este caso, las bandas de confianza aumentan a medida que aumenta el rezago.
Los correlogramas están disponibles en la mayoría de las bibliotecas estadísticas de propósito general.
Correlogramas:
pandas.plotting.autocorrelation_plot
acf
ypacf
Corregramas:
heatmap
,pairplot
corrgram
En matemáticas, una caminata aleatoria, paseo aleatorio o camino aleatorio es un proceso aleatorio que describe un camino que consiste en una sucesión de... (leer más)
En teoría de probabilidad y estadística, un momento central es un momento de una distribución de probabilidad de una variable aleatoria sobre la media de... (leer más)
La ley de los promedios es la creencia común de que un resultado o evento en particular ocurrirá, durante ciertos períodos de tiempo, con una frecuencia... (leer más)