Bereken de ACF voor meerdere MA-tijdreeksen
In tegenstelling tot een AR(1) heeft een MA(1)-model geen autocorrelatie voorbij lag 1, een MA(2)-model geen autocorrelatie voorbij lag 2, enzovoort. De autocorrelatie op lag 1 voor een MA(1)-model is niet \(\small \theta\), maar \(\small \theta / (1+\theta^2)\). Als bijvoorbeeld de MA-parameter \(\small \theta\) = +0,9 is, dan is de autocorrelatie op de eerste lag \(\small 0.9/(1+(0.9)^2)=0.497\), en is de autocorrelatie op alle andere lags nul. Als de MA-parameter \(\small \theta\) -0,9 is, dan is de autocorrelatie op de eerste lag \(\small -0.9/(1+(-0.9)^2)=-0.497\).
Je gaat deze autocorrelatiefuncties verifiëren voor de drie tijdreeksen die je in de vorige oefening hebt gegenereerd.
Deze oefening maakt deel uit van de cursus
Tijdreeksanalyse in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()