ランダムウォーク（RW）モデルと自己回帰（AR）モデルを比較する
ランダムウォーク（RW）モデルは自己回帰（AR）モデルの特別な場合で、傾きパラメータが 1 に等しいモデルです。前の章で学んだように、RWモデルは定常ではなく、非常に強い持続性を示します。標本自己共分散関数（ACF）もゼロへ非常にゆっくり減衰するため、過去の値が現在の値に長く影響を与えます。
一方、定常なARモデルでは傾きパラメータは -1 から 1 の間にあります。傾きパラメータが 1 に近いほどARモデルの持続性は高くなりますが、過程は比較的すばやく平均に回帰します。標本ACFもゼロへ幾何級数的に（速く）減衰し、十分に過去の値が将来の値に与える影響は小さいことを示します。
この演習では、ARモデルから追加のデータをシミュレーションしてプロットし、これらの性質を確認します。
この演習はコースの一部です
Rで学ぶ時系列分析
演習の手順
arima.sim()を使って、傾きが0.9のARモデルから200個の観測値をシミュレーションし、xに保存します。ts.plot()でxをプロットし、acf()でその標本ACFを確認します。- 次に、傾きが
0.98のARモデルでも同様に行い、yに保存します。 - 最後に、RWモデル（
z）でも同様に行い、3つのモデルで得られた時系列と標本ACFを比較します。
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。
# Simulate and plot AR model with slope 0.9
x <- arima.sim(model = ___, n = ___)
ts.plot(___)
acf(___)
# Simulate and plot AR model with slope 0.98
y <-
ts.plot(___)
acf(___)
# Simulate and plot RW model
z <-
ts.plot(___)
acf(___)