MulaiMulai sekarang secara gratis

Hitung ACF untuk Beberapa Deret Waktu MA

Berbeda dengan AR(1), model MA(1) tidak memiliki autokorelasi di luar lag 1, model MA(2) tidak memiliki autokorelasi di luar lag 2, dan seterusnya. Autokorelasi lag-1 untuk model MA(1) bukan \(\small \theta\), melainkan \(\small \theta / (1+\theta^2)\). Sebagai contoh, jika parameter MA, \(\small \theta\), adalah +0,9, maka autokorelasi lag pertama adalah \(\small 0.9/(1+(0.9)^2)=0.497\), dan autokorelasi pada semua lag lainnya bernilai nol. Jika parameter MA, \(\small \theta\), adalah -0,9, maka autokorelasi lag pertama adalah \(\small -0.9/(1+(-0.9)^2)=-0.497\).

Anda akan memverifikasi fungsi autokorelasi ini untuk tiga deret waktu yang Anda buat pada latihan sebelumnya.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan Python

Lihat Kursus

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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()
Edit dan Jalankan Kode