Pour se « réchauffer » : examiner les autocorrélations
Comme la série de températures temp_NY est une marche aléatoire avec dérive, prenez les premières différences pour la rendre stationnaire. Ensuite, calculez l'ACF et la PACF d'échantillon. Cela vous donnera des indications sur l'ordre du modèle.
Cette activité fait partie du cours
Analyse des séries chronologiques en Python
Instructions de l’exercice
- Importez les modules pour tracer l'ACF et la PACF d'échantillon
- Prenez les premières différences du DataFrame
temp_NYà l'aide de la méthode pandas.diff() - Créez deux sous-graphiques pour tracer l'ACF et la PACF
- Tracez l'ACF d'échantillon de la série différenciée
- Tracez la PACF d'échantillon de la série différenciée
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the modules for plotting the sample ACF and PACF
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
# Take first difference of the temperature Series
chg_temp = ___.___
chg_temp = chg_temp.dropna()
# Plot the ACF and PACF on the same page
fig, axes = plt.subplots(2,1)
# Plot the ACF
plot_acf(___, lags=20, ax=axes[0])
# Plot the PACF
plot_pacf(___, lags=20, ax=axes[1])
plt.show()