Pour se « chauffer » : examiner les autocorrélations

Comme la série de températures temp_NY est une marche aléatoire avec dérive, prenez les premières différences pour la rendre stationnaire. Puis calculez les ACF et PACF empiriques. Cela vous donnera des indications sur l’ordre du modèle.

Cet exercice fait partie du cours

Analyse des séries temporelles en Python

Afficher le cours

Instructions

Importez les modules pour tracer l’ACF et la PACF empiriques
Calculez les premières différences du DataFrame temp_NY avec la méthode pandas .diff()
Créez deux sous-graphiques pour tracer l’ACF et la PACF
- Tracez l’ACF empirique de la série différenciée
- Tracez la PACF empirique de la série différenciée

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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()

Modifier et exécuter le code