Latihan Pajak: Hitung ACF

Pada bab sebelumnya, Anda menghitung autokorelasi dengan satu lag. Sering kali kita tertarik melihat autokorelasi pada banyak lag. Pendapatan triwulanan H&R Block (simbol ticker HRB) telah diplot, dan Anda dapat melihat siklus pendapatan yang sangat kuat. Sebagian besar besar pendapatannya terjadi pada triwulan saat pajak jatuh tempo.

Anda akan menghitung larik autokorelasi untuk pendapatan triwulanan H&R Block yang telah dimuat sebelumnya dalam DataFrame HRB. Lalu, plot fungsi autokorelasi menggunakan modul plot_acf. Plot ini menunjukkan seperti apa fungsi autokorelasi untuk data pendapatan yang bersifat siklis. ACF pada lag=0 tentu selalu satu. Pada latihan berikutnya, Anda akan mempelajari interval kepercayaan untuk ACF, tetapi untuk saat ini, sembunyikan interval kepercayaan dengan menyetel alpha=1.

Latihan ini merupakan bagian dari kursus

Analisis Deret Waktu dengan Python

Lihat Kursus

Instruksi latihan

Impor modul acf dan modul plot_acf dari statsmodels.
Hitung larik autokorelasi dari data pendapatan triwulanan dalam DataFrame HRB.
Plot fungsi autokorelasi dari data pendapatan triwulanan di HRB, dan berikan argumen alpha=1 untuk meniadakan interval kepercayaan.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Import the acf module and the plot_acf module from statsmodels
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf

# Compute the acf array of HRB
acf_array = acf(___)
print(acf_array)

# Plot the acf function
plot_acf(___)
plt.show()

Edit dan Jalankan Kode