Aan de slagGa gratis aan de slag

ARMA-gegevens genereren

In deze oefening genereer je AR/MA/ARMA-gegevens voor 100 dagen. Bedenk dat dit in de echte wereld bijvoorbeeld veranderingen in Google-aandelen, de energievraag van New York City of het aantal griepgevallen kan zijn.

Je kunt de functie arma_generate_sample() in je werkruimte gebruiken om tijdreeksen te genereren met verschillende AR- en MA-coëfficiënten.

Onthoud voor elk model ARMA(p,q):

  • De lijst ar_coefs heeft de vorm [1, -a_1, -a_2, ..., -a_p].
  • De lijst ma_coefs heeft de vorm [1, m_1, m_2, ..., m_q],

waarbij a_i de AR-coëfficiënten op vertraging-i zijn en m_j de MA-coëfficiënten op vertraging-j.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in Python

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import data generation function and set random seed
from statsmodels.tsa.arima_process import arma_generate_sample
np.random.seed(1)

# Set coefficients
ar_coefs = [____]
ma_coefs = [____]

# Generate data
y = arma_generate_sample(____, ____, nsample=____, scale=0.5)

plt.plot(y)
plt.ylabel(r'$y_t$')
plt.xlabel(r'$t$')
plt.show()
Code bewerken en uitvoeren