Compara la ACF de varias series temporales AR
La función de autocorrelación decrece exponencialmente en una serie temporal AR a una tasa determinada por el parámetro AR. Por ejemplo, si el parámetro AR, \(\small \phi = +0.9\), la autocorrelación del primer rezago será 0.9, la del segundo rezago será \(\small (0.9)^2 = 0.81\), la del tercer rezago será \(\small (0.9)^3 = 0.729\), etc. Un parámetro AR más pequeño tendrá un descenso más pronunciado y, si el parámetro AR es negativo, por ejemplo -0.9, el descenso cambiará de signo: la autocorrelación del primer rezago será -0.9, la del segundo rezago será \(\small (-0.9)^2 = 0.81\), la del tercer rezago 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 corresponde a un parámetro AR de -0.9 y simulated_data_3 a un parámetro AR de 0.3
Este ejercicio forma parte del curso
Análisis de series temporales en Python
Instrucciones del ejercicio
- Calcula la función de autocorrelación para cada uno de los tres conjuntos de datos simulados usando la función
plot_acfcon 20 rezagos (y oculta los intervalos de confianza estableciendoalpha=1).
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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()