Bandingkan ACF untuk Beberapa Deret Waktu AR
Fungsi autokorelasi menurun secara eksponensial untuk deret waktu AR dengan laju sebesar parameter AR. Sebagai contoh, jika parameter AR, \(\small \phi = +0.9\), autokorelasi lag pertama akan bernilai 0.9, lag kedua akan bernilai \(\small (0.9)^2 = 0.81\), lag ketiga akan bernilai \(\small (0.9)^3 = 0.729\), dan seterusnya. Parameter AR yang lebih kecil akan menurun lebih cepat, dan untuk parameter AR negatif, misalnya -0.9, penurunannya akan berganti tanda, sehingga autokorelasi lag pertama bernilai -0.9, lag kedua bernilai \(\small (-0.9)^2 = 0.81\), lag ketiga bernilai \(\small (-0.9)^3 = -0.729\), dan seterusnya.
Objek simulated_data_1 adalah deret waktu hasil simulasi dengan parameter AR +0.9, simulated_data_2 untuk parameter AR -0.9, dan simulated_data_3 untuk parameter AR 0.3
Latihan ini merupakan bagian dari kursus
Analisis Deret Waktu dengan Python
Instruksi latihan
- Hitung fungsi autokorelasi untuk masing-masing dari tiga himpunan data simulasi menggunakan fungsi
plot_acfdengan 20 lag (dan sembunyikan interval kepercayaan dengan menyetelalpha=1).
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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()