Ajuste estacional durante la temporada de impuestos
Muchas series temporales muestran un fuerte comportamiento estacional. El procedimiento para eliminar el componente estacional de una serie temporal se denomina ajuste estacional. Por ejemplo, la mayoría de los datos económicos publicados por el gobierno están ajustados estacionalmente.
Ya has visto que tomando las primeras diferencias de un paseo aleatorio, se obtiene un proceso estacionario de ruido blanco. Para los ajustes estacionales, en lugar de tomar primeras diferencias, tomarás diferencias con un desfase correspondiente a la periodicidad.
Mira de nuevo el ACF de los beneficios trimestrales de H&R Block, precargados en el DataFrame HRB, y hay un claro componente estacional. La autocorrelación es alta para los retardos 4,8,12,16,… debido al pico de beneficios cada cuatro trimestres durante la temporada de impuestos. Aplica un ajuste estacional tomando la cuarta diferencia (cuatro representa la periodicidad de la serie). A continuación, calcula la autocorrelación de la serie transformada.
Este ejercicio forma parte del curso
Análisis de Series Temporales en Python
Instrucciones de ejercicio
- Crea un nuevo DataFrame de ganancias desestacionalizadas tomando la diferencia lag-4 de las ganancias trimestrales mediante el método
.diff(). - Examina las 10 primeras filas del DataFrame desestacionalizado y observa que las cuatro primeras filas son
NaN. - Elimina las filas de
NaNutilizando el método.dropna(). - Traza la función de autocorrelación del Marco de datos desestacionalizado.
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
# 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()