Korekta sezonowa w okresie rozliczeń podatkowych
Wiele szeregów czasowych wykazuje wyraźną sezonowość. Proces usuwania składnika sezonowego z szeregu czasowego nazywa się korektą sezonową. Na przykład większość danych ekonomicznych publikowanych przez rząd jest korygowana sezonowo.
Wcześniej widziałeś, że biorąc pierwsze różnice błądzenia losowego, otrzymujesz stacjonarny proces białego szumu. W przypadku korekty sezonowej zamiast pierwszych różnic stosuje się różnice z opóźnieniem odpowiadającym okresowości szeregu.
Spójrz ponownie na funkcję autokorelacji (ACF) kwartalnych zysków H&R Block, wczytanych do DataFrame HRB. Widoczny jest wyraźny składnik sezonowy. Autokorelacja jest wysoka dla opóźnień 4, 8, 12, 16, … ze względu na skokowy wzrost zysków co cztery kwartały w okresie rozliczeń podatkowych. Zastosuj korektę sezonową, obliczając czwarte różnice (liczba 4 odpowiada okresowości szeregu). Następnie oblicz autokorelację przekształconego szeregu.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Utwórz nowy DataFrame z sezonowo skorygowanymi zyskami, obliczając różnice z opóźnieniem 4 dla kwartalnych zysków za pomocą metody
.diff(). - Sprawdź pierwsze 10 wierszy skorygowanego DataFrame i zwróć uwagę, że pierwsze cztery wiersze mają wartość
NaN. - Usuń wiersze z wartościami
NaN, używając metody.dropna(). - Wykreśl funkcję autokorelacji (ACF) dla sezonowo skorygowanego DataFrame.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Seasonally adjust quarterly earnings
HRBsa = ___
# Print the first 10 rows of the seasonally adjusted series
print(HRBsa.___)
# Drop the NaN data in the first four rows
HRBsa = ___
# Plot the autocorrelation function of the seasonally adjusted series
plot_acf(HRBsa)
plt.show()