Porovnání ACF pro několik AR časových řad
Funkce autokorelace u AR časové řady exponenciálně klesá rychlostí odpovídající hodnotě AR parametru. Například pokud je AR parametr \(\small \phi = +0.9\), autokorelace pro první zpoždění bude 0,9, pro druhé \(\small (0.9)^2 = 0.81\), pro třetí \(\small (0.9)^3 = 0.729\) atd. Menší AR parametr způsobí strmější pokles, a při záporném AR parametru, například -0,9, se znaménka střídají – autokorelace pro první zpoždění bude -0,9, pro druhé \(\small (-0.9)^2 = 0.81\), pro třetí \(\small (-0.9)^3 = -0.729\) atd.
Objekt simulated_data_1 je simulovaná časová řada s AR parametrem +0,9, simulated_data_2 odpovídá AR parametru -0,9 a simulated_data_3 AR parametru 0,3.
Toto cvičení je součástí kurzu
Analýza časových řad v Pythonu
Pokyny k cvičení
- Pro každou ze tří simulovaných datových sad vypočítej funkci autokorelace pomocí funkce
plot_acfs 20 zpožděními (intervaly spolehlivosti potlač nastavenímalpha=1).
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: AR parameter = +0.9
plot_acf(___, alpha=1, lags=___)
plt.show()
# Plot 2: AR parameter = -0.9
plot_acf(___, alpha=___, lags=20)
plt.show()
# Plot 3: AR parameter = +0.3
plot_acf(___, alpha=___, lags=___)
plt.show()