Sezónní úprava v období daňové sezóny
Mnoho časových řad vykazuje výrazné sezónní chování. Postup, při kterém ze časové řady odstraníme sezónní složku, se nazývá sezónní úprava. Například většina ekonomických dat zveřejňovaných vládou je sezónně upravena.
Dříve jsi viděl/a, že první diference náhodné procházky dává stacionární proces bílého šumu. Při sezónní úpravě ale místo první diference použiješ diferenci s posunem odpovídajícím periodicitě řady.
Podívej se znovu na ACF čtvrtletních výnosů společnosti H&R Block, která je předem načtena v DataFrame HRB – je v ní jasně patrná sezónní složka. Autokorelace je vysoká pro posuny 4, 8, 12, 16, … kvůli skoku ve výnosech každé čtyři čtvrtletí během daňové sezóny. Proveď sezónní úpravu tak, že vypočítáš čtvrtou diferenci (číslo 4 odpovídá periodicitě řady). Poté spočítej autokorelaci transformované řady.
Toto cvičení je součástí kurzu
Analýza časových řad v Pythonu
Pokyny k cvičení
- Vytvoř nový DataFrame se sezónně upravenými výnosy tak, že na čtvrtletní výnosy aplikuješ diferenci s posunem 4 pomocí metody
.diff(). - Prohlédni si prvních 10 řádků sezónně upraveného DataFrame a všimni si, že první čtyři řádky obsahují
NaN. - Odstraň řádky s
NaNpomocí metody.dropna(). - Vykresli funkci autokorelace sezónně upraveného DataFrame.
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
# Seasonally adjust quarterly earnings
HRBsa = ___
# Print the first 10 rows of the seasonally adjusted series
print(HRBsa.___)
# Drop the NaN data in the first four rows
HRBsa = ___
# Plot the autocorrelation function of the seasonally adjusted series
plot_acf(HRBsa)
plt.show()