Penyesuaian Musiman Saat Musim Pajak

Banyak deret waktu menunjukkan pola musiman yang kuat. Prosedur untuk menghilangkan komponen musiman dari deret waktu disebut penyesuaian musiman. Misalnya, sebagian besar data ekonomi yang diterbitkan pemerintah telah disesuaikan secara musiman.

Anda telah melihat sebelumnya bahwa dengan mengambil selisih pertama dari random walk, Anda mendapatkan proses derau putih yang stasioner. Untuk penyesuaian musiman, alih-alih mengambil selisih pertama, Anda akan mengambil selisih dengan kelambatan yang sesuai dengan periodisitasnya.

Perhatikan kembali ACF dari laba kuartalan H&R Block yang telah dimuat sebelumnya dalam DataFrame HRB, dan terdapat komponen musiman yang jelas. Autokorelasi tinggi untuk kelambatan 4, 8, 12, 16, … karena lonjakan laba setiap empat kuartal saat musim pajak. Terapkan penyesuaian musiman dengan mengambil selisih keempat (empat mewakili periodisitas deret). Lalu hitung autokorelasi dari deret yang telah ditransformasikan.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan Python

Lihat Kursus

Petunjuk latihan

Buat DataFrame baru berisi laba yang telah disesuaikan secara musiman dengan mengambil selisih kelambatan-4 dari laba kuartalan menggunakan metode .diff().
Periksa 10 baris pertama dari DataFrame yang telah disesuaikan secara musiman dan perhatikan bahwa empat baris pertama bernilai NaN.
Hapus baris NaN menggunakan metode .dropna().
Plot fungsi autokorelasi dari DataFrame yang telah disesuaikan secara musiman.

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

# Seasonally adjust quarterly earnings
HRBsa = ___

# Print the first 10 rows of the seasonally adjusted series
print(HRBsa.___)

# Drop the NaN data in the first four rows
HRBsa = ___

# Plot the autocorrelation function of the seasonally adjusted series
plot_acf(HRBsa)
plt.show()

Edit dan Jalankan Kode