Ajuste estacional en temporada de impuestos
Muchas series temporales muestran un fuerte comportamiento estacional. El procedimiento para eliminar el componente estacional de una serie temporal se llama ajuste estacional. Por ejemplo, la mayoría de los datos económicos publicados por el gobierno están ajustados estacionalmente.
Ya viste que, al tomar primeras diferencias de un paseo aleatorio, obtienes un proceso de ruido blanco estacionario. Para los ajustes estacionales, en lugar de primeras diferencias, tomarás diferencias con un rezago que corresponda a la periodicidad.
Vuelve a mirar la ACF de las ganancias trimestrales de H&R Block, precargadas en el DataFrame HRB, donde hay un claro componente estacional. La autocorrelación es alta para los rezagos 4, 8, 12, 16,… debido al pico de ganancias cada cuatro trimestres durante la temporada de impuestos. Aplica un ajuste estacional tomando la cuarta diferencia (cuatro representa la periodicidad de la serie). Luego calcula la autocorrelación de la serie transformada.
Este ejercicio forma parte del curso
Análisis de series temporales en Python
Instrucciones del ejercicio
- Crea un nuevo DataFrame con las ganancias ajustadas estacionalmente tomando la diferencia con rezago 4 de las ganancias trimestrales usando el método
.diff(). - Examina las primeras 10 filas del DataFrame ajustado estacionalmente y fíjate en que las cuatro primeras filas son
NaN. - Elimina las filas
NaNusando el método.dropna(). - Dibuja la función de autocorrelación del DataFrame ajustado estacionalmente.
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
# Seasonally adjust quarterly earnings
HRBsa = ___
# Print the first 10 rows of the seasonally adjusted series
print(HRBsa.___)
# Drop the NaN data in the first four rows
HRBsa = ___
# Plot the autocorrelation function of the seasonally adjusted series
plot_acf(HRBsa)
plt.show()