fn_registry/python/functions/datascience/acf_pacf.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
acf_pacf	function	py	datascience	1.0.0	pure	def acf_pacf(values: list, nlags: int = 40, alpha: float = 0.05) -> dict	Autocorrelacion (ACF) y autocorrelacion parcial (PACF) de una serie temporal con sus bandas de confianza (statsmodels), mas el test Ljung-Box de autocorrelacion global. Devuelve listas acf/pacf, sus intervalos, los lags significativos y un flag is_autocorrelated. Clave: una serie autocorrelacionada viola IID, asi que los p-valores de una regresion OLS estandar sobre ella estan inflados (Lopez de Prado). Descarta None/NaN; <8 puntos validos -> nota.	statistics timeseries autocorrelation acf pacf ljung-box arima eda forecasting python				false		math numpy statsmodels	name desc values serie temporal de valores numericos en orden cronologico. None/NaN/infinitos/no-numericos se descartan antes del calculo. name desc nlags numero maximo de retardos a calcular (default 40). Se recorta a los limites de statsmodels: n-1 para ACF, (n//2)-1 para PACF. name desc alpha nivel de significancia para las bandas de confianza y el test de Ljung-Box (default 0.05).	dict con 'acf' y 'pacf' (listas, indice 0 = lag 0), 'acf_confint'/'pacf_confint' (banda por lag), 'significant_acf_lags'/'significant_pacf_lags' (lags >=1 fuera de banda), 'ljung_box' (stat, p_value, lags) e 'is_autocorrelated' (bool: Ljung-Box rechaza independencia). Con <8 puntos: {'n', 'note', 'is_autocorrelated': None}. Nunca lanza excepcion.	true	test_ruido_blanco_no_autocorrelado test_ar1_es_autocorrelado test_lag1_significativo_en_ar1 test_muestra_insuficiente_devuelve_nota test_descarta_none_y_nan test_recorta_nlags_a_limites test_acf_lag0_es_uno	python/functions/datascience/acf_pacf_test.py	python/functions/datascience/acf_pacf.py

Ejemplo

from datascience import acf_pacf
import numpy as np

# Ruido blanco: sin autocorrelacion (Ljung-Box no rechaza independencia)
rng = np.random.default_rng(0)
ruido = rng.normal(0, 1, 500).tolist()
acf_pacf(ruido)["is_autocorrelated"]            # -> False

# Proceso AR(1) fuerte: autocorrelado, lag 1 significativo en PACF
ar = [0.0]
for _ in range(500):
    ar.append(0.8 * ar[-1] + rng.normal(0, 1))
res = acf_pacf(ar)
res["is_autocorrelated"]                         # -> True
res["significant_pacf_lags"][:1]                 # -> [1]

Cuando usarla

Para diagnosticar la estructura de dependencia temporal de una serie: identificar el orden de un modelo ARIMA (PACF corta en el orden AR, ACF corta en el orden MA), o detectar estacionalidad (picos en lags estacionales). Y, critico para EDA: antes de meter una variable temporal en una regresion, comprueba is_autocorrelated. Si es True, la serie no es IID y los p-valores de OLS estandar estan inflados — hay que usar errores estandar robustos (Newey-West) o modelar la dinamica explicitamente (Lopez de Prado).

Gotchas

• Es pura pero importa statsmodels y numpy (ambos en python/.venv).
• acf[0] y pacf[0] valen siempre 1.0 (autocorrelacion de la serie consigo misma en lag 0). Los lags interesantes empiezan en el indice 1.
• nlags se recorta automaticamente: PACF exige nlags < n/2. Si pides 40 lags sobre una serie de 30 puntos, nlags efectivo baja — mira el campo nlags del resultado para saber cuantos se calcularon.
• Las bandas de confianza asumen ruido blanco bajo H0; en una serie con tendencia muchos lags saldran "significativos" por la propia tendencia, no por estructura ARMA. Estaciona primero (ver adf_kpss_stationarity / to_returns).
• Ljung-Box es un test global (todos los lags juntos); los lags individuales significativos te dicen DONDE esta la autocorrelacion.