Aan de slagGa gratis aan de slag

AR of MA

In deze oefening gebruik je de ACF en PACF om te bepalen of gegevens beter passen bij een MA-model of een AR-model. Onthoud dat het kiezen van de juiste modelorde cruciaal is voor je voorspellingen.

Vergeet niet dat we voor verschillende soorten modellen het volgende gedrag in de ACF en PACF verwachten:

AR(p)MA(q)ARMA(p,q)
ACFLoopt langzaam uitValt af na vertraging qLoopt langzaam uit
PACFValt af na vertraging pLoopt langzaam uitLoopt langzaam uit

Een tijdreeks met onbekende eigenschappen, df, is beschikbaar in je omgeving.

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
from statsmodels.graphics.tsaplots import ____, ____

# Create figure
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8))
 
# Plot the ACF of df
____(____, lags=____, zero=False, ax=ax1)

# Plot the PACF of df
____(____, lags=____, zero=____, ax=ax2)

plt.show()
Code bewerken en uitvoeren