AR oder MA
In dieser Übung nutzt du die ACF und PACF, um zu entscheiden, ob sich einige Daten besser für ein MA‑Modell oder ein AR‑Modell eignen. Denk daran: Die Wahl der richtigen Modellordnung ist entscheidend für gute Vorhersagen.
Für verschiedene Modelltypen erwarten wir in ACF und PACF typischerweise folgendes Verhalten:
Eine Zeitreihe mit unbekannten Eigenschaften, df, steht dir in deiner Umgebung zur Verfügung.
Diese Übung ist Teil des Kurses
<Kurs>ARIMA-Modelle in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import
from statsmodels.graphics.tsaplots import ____, ____
# Create figure
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8))
# Plot the ACF of df
____(____, lags=____, zero=False, ax=ax1)
# Plot the PACF of df
____(____, lags=____, zero=____, ax=ax2)
plt.show()