A autocorrelção parcial no lag k é a autocorrelção entre X_t e X_t-k que não foi considerada nos lags 1 até k-1.

Existem algorítmos, não discutidos aqui, para se calcular a autocorrelação parcial baseada nas autocorrelações amostrais. Ver (Box, Jenkins, e Reinsel 1970) ou (Brockwell, 1991) para os detalhes matemáticos.

Especificamente, autocorrelações parciais são úteis na identificação da ordem de um modelo autoregressivo. A autocorrelação parcial de um processo AR(p) é zero no lag p+1 e superior. Se o gráfico da autocorrelação amostral indicar que um modelo AR pode ser apropriado, então o gráfico de autocorrelação parcial amostral é examinado para ajudar identificar a ordem. Procuramos o ponto no gráfico onde as autocorrelações parciais tornam-se essencialmente zero. Colocar um intervalo de confiança de 95% para a significância estatística é útil para este propósito.

O intervalo de confiança aproximado de 95% para as autocorrelações parciais estão no .

Este gráfico de autocorrelação parcial mostra significância estatística clara par os lags 1 e 2 (lag 0 é sempre 1). Os próximos poucos lags estão na borderline da significância estatística. Se o gráfico da autocorrelação indicar que um modelo AR é apropriado, poderíamos começar nossa modelagem com um modelo AR(2). POderíamos comparar este com o modelo AR(3).

Eixo Vertical:	Coeficiente de autocorrelação parcial no lag h.
Eixo Horizontal:	Tempo lag h (h = 0, 1, 2, 3, ...).

1. O modelo AR é apropriado para os dados?
2. Se um modelo AR é apropriado, qual ordem deveríamos usar?