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 merupakan bagian dari kursus
Analisis Deret Waktu dengan Python
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()