Opwarmen: bekijk autocorrelaties

Omdat de temperatuurtijdreeks, temp_NY, een random walk met drift is, neem je eerste verschillen om haar stationair te maken. Bereken daarna de steekproef-ACF en -PACF. Dit geeft richting bij het bepalen van de orde van het model.

Deze oefening maakt deel uit van de cursus

Tijdreeksanalyse in Python

Cursus bekijken

Oefeninstructies

Importeer de modules om de steekproef-ACF en -PACF te plotten
Neem de eerste verschillen van de DataFrame temp_NY met de pandas-methode .diff()
Maak twee subplots om de ACF en PACF te plotten
- Plot de steekproef-ACF van de gedifferentieerde reeks
- Plot de steekproef-PACF van de gedifferentieerde reeks

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import the modules for plotting the sample ACF and PACF
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# Take first difference of the temperature Series
chg_temp = ___.___
chg_temp = chg_temp.dropna()

# Plot the ACF and PACF on the same page
fig, axes = plt.subplots(2,1)

# Plot the ACF
plot_acf(___, lags=20, ax=axes[0])

# Plot the PACF
plot_pacf(___, lags=20, ax=axes[1])
plt.show()

Code bewerken en uitvoeren