Compararea ACF-ului pentru mai multe serii de timp AR
Funcția de autocorelare descrește exponențial pentru o serie de timp AR, cu o rată egală cu parametrul AR. De exemplu, dacă parametrul AR este \(\small \phi = +0{,}9\), autocorația la primul decalaj va fi 0,9, la al doilea decalaj va fi \(\small (0{,}9)^2 = 0{,}81\), la al treilea decalaj va fi \(\small (0{,}9)^3 = 0{,}729\) și tot așa. Un parametru AR mai mic va produce o descreștere mai abruptă, iar pentru un parametru AR negativ, de exemplu -0,9, semnul alterneaza la fiecare decalaj: autocorația la primul decalaj va fi -0,9, la al doilea va fi \(\small (-0{,}9)^2 = 0{,}81\), la al treilea va fi \(\small (-0{,}9)^3 = -0{,}729\) etc.
Obiectul simulated_data_1 reprezintă seria de timp simulată cu un parametru AR de +0,9, simulated_data_2 corespunde unui parametru AR de -0,9, iar simulated_data_3 corespunde unui parametru AR de 0,3.
Acest exercițiu face parte din cursul
Analiza seriilor de timp în Python
Instrucțiuni pentru exercițiu
- Calculează funcția de autocorelare pentru fiecare dintre cele trei seturi de date simulate folosind funcția
plot_acfcu 20 de decalaje (și suprimă intervalele de încredere setândalpha=1).
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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()