Ajuste sazonal durante a temporada de impostos
Muitas séries temporais apresentam um forte comportamento sazonal. O procedimento para remover o componente sazonal de uma série temporal é chamado de ajuste sazonal. Por exemplo, a maioria dos dados econômicos publicados pelo governo é ajustada sazonalmente.
Você viu anteriormente que, ao obter as primeiras diferenças de um passeio aleatório, você obtém um processo de ruído branco estacionário. Para ajustes sazonais, em vez de usar as primeiras diferenças, você usará as diferenças com uma defasagem correspondente à periodicidade.
Observe novamente o site ACF dos lucros trimestrais da H&R Block, pré-carregados no DataFrame HRB
, e você verá que há um claro componente sazonal. A autocorrelação é alta para as defasagens 4, 8, 12, 16,… devido ao pico nos lucros a cada quatro trimestres durante a temporada de impostos. Aplique um ajuste sazonal tomando a quarta diferença (quatro representa a periodicidade da série). Em seguida, calcule a autocorrelação da série transformada.
Este exercício faz parte do curso
Análise de séries temporais em Python
Instruções do exercício
- Crie um novo DataFrame de ganhos ajustados sazonalmente, obtendo a diferença de lag-4 dos ganhos trimestrais usando o método
.diff()
. - Examine as 10 primeiras linhas do DataFrame ajustado sazonalmente e observe que as quatro primeiras linhas são
NaN
. - Elimine as linhas de
NaN
usando o método.dropna()
. - Trace a função de autocorrelação do DataFrame ajustado sazonalmente.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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()