複数の AR 時系列の ACF を比較する
自己相関関数（ACF）は、AR 時系列では AR パラメータの値に応じて指数関数的に減衰します。たとえば、AR パラメータ \(\small \phi = +0.9\) の場合、1 期ラグの自己相関は 0.9、2 期ラグは $\small (0.9)^2 = 0.81\(、3 期ラグは \)\small (0.9)^3 = 0.729\( となります。AR パラメータが小さいほど減衰は急になり、AR パラメータが負（例：-0.9）の場合は符号が交互に変わります。つまり、1 期ラグは -0.9、2 期ラグは \)\small (-0.9)^2 = 0.81\(、3 期ラグは \)\small (-0.9)^3 = -0.729$ のようになります。
simulated_data_1 は AR パラメータ +0.9 のシミュレーション時系列、simulated_data_2 は -0.9、simulated_data_3 は 0.3 のものです。
この演習はコースの一部です
Pythonで学ぶ時系列解析
演習の手順
- 3 つのシミュレーションデータそれぞれについて、
plot_acf関数を使ってラグ 20 までの自己相関関数を計算・プロットします（alpha=1を指定して信頼区間を非表示にします）。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: AR parameter = +0.9
plot_acf(___, alpha=1, lags=___)
plt.show()
# Plot 2: AR parameter = -0.9
plot_acf(___, alpha=___, lags=20)
plt.show()
# Plot 3: AR parameter = +0.3
plot_acf(___, alpha=___, lags=___)
plt.show()