Kesetaraan AR(1) dan MA(tak hingga)
Untuk lebih memahami hubungan antara model MA dan model AR, Anda akan menunjukkan bahwa model AR(1) setara dengan model MA(\(\small \infty\)) dengan parameter yang sesuai.
Anda akan mensimulasikan model MA dengan parameter \(\small 0.8, 0.8^2, 0.8^3, \ldots \) untuk sejumlah lag yang besar (30) dan menunjukkan bahwa model tersebut memiliki Fungsi Autokorelasi yang sama dengan model AR(1) dengan \(\small \phi=0.8\).
Catatan: untuk mempangkatkan sebuah bilangan x dengan eksponen n, gunakan format x**n.
Latihan ini adalah bagian dari kursus
Analisis Deret Waktu dengan Python
Petunjuk latihan
- Impor modul untuk mensimulasikan data dan memplot ACF dari statsmodels
- Gunakan list comprehension untuk membangun daftar dengan parameter MA yang menurun secara eksponensial: \(\small 1, 0.8, 0.8^2, 0.8^3, \ldots\)
- Simulasikan 5000 observasi dari model MA(30)
- Plot ACF dari deret yang disimulasikan
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# import the modules for simulating data and plotting the ACF
from statsmodels.tsa.arima_process import ArmaProcess
from statsmodels.graphics.tsaplots import plot_acf
# Build a list MA parameters
ma = [___ for i in range(30)]
# Simulate the MA(30) model
ar = np.array([1])
AR_object = ArmaProcess(ar, ___)
simulated_data = ___.generate_sample(nsample=5000)
# Plot the ACF
plot_acf(___, lags=30)
plt.show()