Výpočet ACF pro několik MA časových řad
Na rozdíl od modelu AR(1) nemá model MA(1) žádnou autokorelaci za lagem 1, model MA(2) nemá žádnou autokorelaci za lagem 2 atd. Autokorelace při lagu 1 pro model MA(1) není \(\small \theta\), ale \(\small \theta / (1+\theta^2)\). Například pokud je parametr MA, \(\small \theta\), roven +0,9, autokorelace při prvním lagu bude \(\small 0{,}9/(1+(0{,}9)^2)=0{,}497\) a autokorelace při všech ostatních lazích bude nulová. Pokud je parametr MA, \(\small \theta\), roven -0,9, autokorelace při prvním lagu bude \(\small -0{,}9/(1+(-0{,}9)^2)=-0{,}497\).
Tyto autokorelační funkce si ověříš na třech časových řadách, které jsi vygeneroval/a v předchozím cvičení.
Toto cvičení je součástí kurzu
Analýza časových řad v Pythonu
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()