Calculer la FAC pour plusieurs séries temporelles MA
Contrairement à un AR(1), un modèle MA(1) n’a pas d’autocorrélation au-delà du retard 1, un modèle MA(2) n’en a pas au-delà du retard 2, etc. L’autocorrélation au retard 1 pour un modèle MA(1) n’est pas \(\small \theta\), mais plutôt \(\small \theta / (1+\theta^2)\). Par exemple, si le paramètre MA, \(\small \theta\), vaut +0.9, l’autocorrélation au premier retard sera \(\small 0.9/(1+(0.9)^2)=0.497\), et l’autocorrélation à tous les autres retards sera nulle. Si le paramètre MA, \(\small \theta\), vaut -0.9, l’autocorrélation au premier retard sera \(\small -0.9/(1+(-0.9)^2)=-0.497\).
Vous allez vérifier ces fonctions d’autocorrélation pour les trois séries temporelles que vous avez générées dans l’exercice précédent.
Cet exercice fait partie du cours
Analyse des séries temporelles en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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()