相关图是时间序列分析中的一种可视化工具，用于显示数据集在不同时间间隔（滞后）上的相关结构。它包含两个主要图表：自相关函数 (ACF) 和偏自相关函数 (PACF)。ACF 度量时间序列与其滞后值之间的相关性，而 PACF 则隔离系列与特定滞后之间的直接相关性，同时控制中间滞后。例如，如果您有每日温度数据，滞后 7 的 ACF 将显示今天的温度与一周前的温度之间的相关性，而 PACF 将揭示在考虑了中间日期后，这种相关性是否仍然存在。
为了解释相关图，开发者通常寻找指示趋势、季节性或随机性的模式。例如，如果 ACF 缓慢衰减（例如，在多个滞后处存在大的相关性），则表明存在趋势；而在特定滞后（例如，月度数据的滞后 12）之后出现急剧下降，则可能表明存在年度季节性。另一方面，PACF 通过突出显示特定滞后的显著直接相关性来帮助识别自回归 (AR) 模型的阶数。置信区间（通常为 95%）绘制为阴影区域；超出此范围的条形在统计上是显著的。例如，在销售数据集中，滞后 7 的显著 ACF 尖峰可能暗示着周度周期，而滞后 1 的 PACF 尖峰可能表明 AR(1) 模型是合适的。
开发者通常使用相关图来指导模型选择和验证假设。在 Python 中，像 statsmodels 这样的库提供了 plot_acf() 和 plot_pacf() 等工具来生成这些图。假设您正在分析每日网站流量：相关图可能显示每日（滞后 1）或每周（滞后 7）模式，帮助您为 ARIMA 模型选择参数（例如，根据 PACF/ACF 截断点设置 p 或 q）。一个常见的陷阱是误解噪声——置信区间内的随机尖峰很可能不显著。例如，在其他不相关的数据中，滞后 3 处的单个显著 PACF 值可能不足以证明需要一个复杂的模型。通过基于相关图的见解做出决策，开发者可以构建更稳健的时间序列模型。