La siguiente característica que analizaremos es la autocorrelación.

La autocorrelación mide en qué medida los valores futuros de una serie temporal dependen linealmente de los valores pasados. ¿Qué ejemplos podemos dar?

El gráfico anterior muestra la popularidad de los nombres "María" y "Olivia" a lo largo de 140 años. La autocorrelación de Olivia decae mucho más rápidamente que la de María: esto puede explicarse por el hecho de que la popularidad del nombre Olivia fue muy baja hasta 1980 y luego aumentó muy bruscamente. Mientras que la popularidad del nombre María no tuvo saltos tan bruscos y evolucionó aproximadamente igual a lo largo del tiempo.

Visualicemos la autocorrelación:

``python import pandas as pd from statsmodels.graphics.tsaplots import plot_acf

Lectura del conjunto de datos

dataset = pd.read_csv("AirPassengers.csv", header=0, index_col=0, parse_dates=True, squeeze=True)

Trazar la autocorrelación

plot_acf(dataset, lags=22)

Veamos cómo interpretar este gráfico. El gráfico muestra los 22 últimos valores del conjunto de datos (se muestran como líneas verticales). Si estas líneas caen dentro de la zona azul sombreada, significa que no tienen una correlación significativa con los valores anteriores.

Como puede ver en el gráfico, los 13 primeros valores están correlacionados con los anteriores, mientras que los siguientes no lo están.

En resumen, la autocorrelación es útil para identificar relaciones estadísticamente significativas entre los valores de una serie temporal.