Compare o site ACF para várias séries temporais AR
A função de autocorrelação decai exponencialmente para uma série temporal AR a uma taxa do parâmetro AR. Por exemplo, se o parâmetro AR, \(\small \phi = +0,9\), a autocorrelação de primeiro atraso será 0,9, o segundo atraso será \(\small (0,9)^2 = 0,81\), o terceiro atraso será \(\small (0,9)^3 = 0,729\), etc. Um parâmetro AR menor terá um decaimento mais acentuado e, para um parâmetro AR negativo, digamos -0,9, o decaimento inverterá os sinais, de modo que a autocorrelação de primeiro atraso será -0,9, o segundo atraso será \(\small (-0,9)^2 = 0,81\), o terceiro atraso será \(\small (-0,9)^3 = -0,729\) etc.
O objeto simulated_data_1 é a série temporal simulada com um parâmetro AR de +0,9, simulated_data_2 é para um parâmetro AR de -0,9 e simulated_data_3 é para um parâmetro AR de 0,3.
Este exercício faz parte do curso
Análise de séries temporais em Python
Instruções de exercício
- Calcule a função de autocorrelação para cada um dos três conjuntos de dados simulados usando a função
plot_acfcom 20 defasagens (e suprima os intervalos de confiança definindoalpha=1).
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: AR parameter = +0.9
plot_acf(___, alpha=1, lags=___)
plt.show()
# Plot 2: AR parameter = -0.9
plot_acf(___, alpha=___, lags=20)
plt.show()
# Plot 3: AR parameter = +0.3
plot_acf(___, alpha=___, lags=___)
plt.show()