Comparar la ACF de varias series temporales AR
La función de autocorrelación decae exponencialmente para una serie temporal AR a una tasa del parámetro AR. Por ejemplo, si el parámetro AR, \(\small \phi = +0,9\), la autocorrelación de primer retardo será 0,9, la de segundo retardo será \(\small (0,9)^2 = 0,81\), la de tercer retardo será \(\small (0,9)^3 = 0,729\), etc. Un parámetro AR más pequeño tendrá un decaimiento más pronunciado, y para un parámetro AR negativo, digamos -0,9, el decaimiento cambiará de signo, por lo que la autocorrelación del primer retardo será -0,9, el segundo retardo será \(\small (-0,9)^2 = 0,81\), el tercer retardo será \(\small (-0,9)^3 = -0,729\), etc.
El objeto simulated_data_1 es la serie temporal simulada con un parámetro AR de +0,9, simulated_data_2 es para un parámetro AR de -0,9 y simulated_data_3 es para un parámetro AR de 0,3.
Este ejercicio forma parte del curso
Análisis de Series Temporales en Python
Instrucciones de ejercicio
- Calcula la función de autocorrelación para cada uno de los tres conjuntos de datos simulados utilizando la función
plot_acfcon 20 retardos (y suprime los intervalos de confianza ajustandoalpha=1).
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# 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()