Autorregresión con una serie temporal más suave
Ahora, volvamos a ejecutar el mismo procedimiento utilizando una señal más suave. Utilizarás el mismo algoritmo de cambio porcentual que antes, pero esta vez utilizarás una ventana mucho mayor (40 en lugar de 20). A medida que crece la ventana, la diferencia entre puntos temporales vecinos se reduce, lo que da lugar a una señal más suave. ¿Qué crees que hará esto al modelo autorregresivo?
prices_perc_shifted y model (actualizado para utilizar una ventana de 40) están disponibles en tu espacio de trabajo.
Este ejercicio forma parte del curso
Machine learning para datos de series temporales en Python
Instrucciones de ejercicio
Utilizando la función (visualize_coefficients()) que creaste en el último ejercicio, genera un gráfico con los coeficientes de model y los nombres de las columnas de prices_perc_shifted.
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# Visualize the output data up to "2011-01"
fig, axs = plt.subplots(2, 1, figsize=(10, 5))
y.loc[:'2011-01'].plot(ax=axs[0])
# Run the function to visualize model's coefficients
visualize_coefficients(____, ____, ax=axs[1])
plt.show()