कई AR टाइम सीरीज़ की ACF की तुलना करें
किसी AR टाइम सीरीज़ के लिए ऑटोकॉरिलेशन फंक्शन AR पैरामीटर की दर से घातीय रूप से घटता है. उदाहरण के लिए, यदि AR पैरामीटर \(\small \phi = +0.9\) है, तो पहले लैग का ऑटोकॉरिलेशन 0.9 होगा, दूसरा लैग \(\small (0.9)^2 = 0.81\) होगा, तीसरा लैग \(\small (0.9)^3 = 0.729\) होगा, इत्यादि. छोटा AR पैरामीटर तेज गिरावट दिखाएगा, और यदि AR पैरामीटर नकारात्मक है, मान लीजिए -0.9, तो गिरावट के संकेत पलटते जाएँगे, यानी पहले लैग का ऑटोकॉरिलेशन -0.9 होगा, दूसरा लैग \(\small (-0.9)^2 = 0.81\) होगा, तीसरा लैग \(\small (-0.9)^3 = -0.729\) होगा, इत्यादि.
ऑब्जेक्ट simulated_data_1 वह simulated टाइम सीरीज़ है जिसका AR पैरामीटर +0.9 है, simulated_data_2 का AR पैरामीटर -0.9 है, और simulated_data_3 का AR पैरामीटर 0.3 है
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Analysis
अभ्यास निर्देश
- तीनों simulated डेटासेट्स के लिए
plot_acfफंक्शन का उपयोग करके 20 लैग्स के साथ ऑटोकॉरिलेशन फंक्शन निकालें (और कॉन्फिडेंस इंटरवल्स दबाने के लिएalpha=1सेट करें).
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: AR parameter = +0.9
plot_acf(___, alpha=1, lags=___)
plt.show()
# Plot 2: AR parameter = -0.9
plot_acf(___, alpha=___, lags=20)
plt.show()
# Plot 3: AR parameter = +0.3
plot_acf(___, alpha=___, lags=___)
plt.show()