Calcular la ACF de varias series temporales MA
A diferencia de un AR(1), un modelo MA(1) no tiene autocorrelación más allá del lag 1, un modelo MA(2) no tiene autocorrelación más allá del lag 2, etc. La autocorrelación lag-1 de un modelo MA(1) no es \(\small \theta\), sino \(\small \theta / (1+\theta^2)\). Por ejemplo, si el parámetro MA, \(\small \theta\), es = +0,9, la autocorrelación del primer rezago será \(\small 0,9/(1+(0,9)^2)=0,497\), y la autocorrelación en todos los demás rezagos será cero. Si el parámetro MA, \(\small \theta\), es -0,9, la autocorrelación de primer retardo será \(\small -0,9/(1+(-0,9)^2)=-0,497\).
Verificarás estas funciones de autocorrelación para las tres series temporales que generaste en el último ejercicio.
Este ejercicio forma parte del curso
Análisis de Series Temporales en Python
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()