De autocorrelatiefunctie visualiseren

Door de autocorrelatiefunctie (ACF) bij veel lags te schatten, kun je beoordelen hoe een tijdreeks x zich verhoudt tot zijn verleden. De numerieke schattingen zijn belangrijk voor gedetailleerde berekeningen, maar het is ook nuttig om de ACF als functie van de lag te visualiseren.

Het acf()-commando maakt zelfs standaard een figuur. Het kiest ook automatisch een waarde voor lag.max, het maximale aantal lags dat wordt weergegeven.

Drie tijdreeksen x, y en z zijn in je R-omgeving geladen en rechts geplot. De tijdreeks x vertoont sterke persistentie, wat betekent dat de huidige waarde sterk lijkt op de waarden die eraan voorafgaan. De tijdreeks y vertoont een periodiek patroon met een cycluslengte van ongeveer vier observaties, wat betekent dat de huidige waarde relatief dicht bij de observatie vier stappen eerder ligt. De tijdreeks z vertoont geen duidelijk patroon.

In deze oefening plot je voor elke tijdreeks een geschatte autocorrelatiefunctie. In de door acf() gemaakte plots staat de lag voor elke autocorrelatieschatting op de horizontale as en wordt elke schatting aangegeven door de hoogte van de verticale balken. Onthoud dat de ACF bij lag 0 altijd 1 is.

Tot slot bevat elke ACF-figuur een paar blauwe, horizontale, gestreepte lijnen die lag-gewijze 95%-betrouwbaarheidsintervallen rond nul aangeven. Die gebruik je om te bepalen of een individuele autocorrelatieschatting bij een bepaalde lag statistisch significant afwijkt van de nulwaarde, oftewel geen autocorrelatie bij die lag.

Deze oefening maakt deel uit van de cursus

Tijdreeksanalyse in R

Cursus bekijken

Oefeninstructies

Gebruik drie aanroepen van de functie acf() om de geschatte ACF’s van elk van je drie tijdreeksen (x, y en z) te tonen. Je hoeft geen extra argumenten mee te geven aan je aanroepen van acf().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# View the ACF of x
acf(___)

# View the ACF of y


# View the ACF of z

Code bewerken en uitvoeren