### 绘制年度数据的时间序列图、自相关图(ACF)和偏自相关图(PACF) 为了实现这一目标，可以按照以下方法编写 Python 代码来完成绘图任务。这里假设输入的数据是一个带有日期索引的 Pandas DataFrame。 #### 时间序列图 时间序列图用于展示变量随时间的变化趋势。可以通过 `matplotlib` 库中的 `plot()` 方法绘制： ```python import pandas as pd import matplotlib.pyplot as plt # 假设数据存储在一个 CSV 文件中，其中 'Year' 是年份列，'Value' 是数值列 data = pd.read_csv('annual_data.csv', parse_dates=['Year'], index_col='Year') plt.figure(figsize=(10, 6)) plt.plot(data.index, data['Value'], marker='o', linestyle='-') plt.title('Annual Data Time Series Plot', fontsize=16) plt.xlabel('Year', fontsize=14) plt.ylabel('Value', fontsize=14) plt.grid(True) plt.tight_layout() plt.show() ``` 此部分展示了如何通过指定 X 轴为年份，Y 轴为目标值的方式创建时间序列图[^2]。 --- #### 自相关图 (ACF) 自相关图显示当前观测值与其过去若干期之间的线性关系强度。可利用 `statsmodels` 中的 `plot_acf` 函数生成 ACF 图形： ```python from statsmodels.graphics.tsaplots import plot_acf plt.figure(figsize=(10, 6)) plot_acf(data['Value'].dropna(), lags=50, alpha=0.05) plt.title('Autocorrelation Function (ACF)', fontsize=16) plt.xlabel('Lag', fontsize=14) plt.ylabel('Correlation Coefficient', fontsize=14) plt.grid(True) plt.tight_layout() plt.show() ``` 这段代码调用了 `plot_acf` 来计算并可视化前 50 阶滞后的自相关系数及其置信区间[^3]。 --- #### 偏自相关图 (PACF) 偏自相关图则进一步剔除了中间滞后的影响，仅保留直接的相关效应。同样借助于 `statsmodels` 的功能实现 PACF 的绘制： ```python from statsmodels.graphics.tsaplots import plot_pacf plt.figure(figsize=(10, 6)) plot_pacf(data['Value'].dropna(), lags=50, method='ywm', alpha=0.05) plt.title('Partial Autocorrelation Function (PACF)', fontsize=16) plt.xlabel('Lag', fontsize=14) plt.ylabel('Partial Correlation Coefficient', fontsize=14) plt.grid(True) plt.tight_layout() plt.show() ``` 在此基础上，我们能够观察到不同阶数下的纯相关程度变化情况[^1]。 --- 以上三类图表共同构成了分析时间序列特性的重要工具集。它们可以帮助识别模型结构以及评估残差独立性的假设条件是否成立。