Calculează ACF pentru mai multe serii de timp MA
Spre deosebire de un model AR(1), un model MA(1) nu are autocorelație după lag-ul 1, un model MA(2) nu are autocorelație după lag-ul 2 și așa mai departe. Autocorelația la lag-ul 1 pentru un model MA(1) nu este \(\small \theta\), ci \(\small \theta / (1+\theta^2)\). De exemplu, dacă parametrul MA, \(\small \theta\), este = +0,9, autocorelația la primul lag va fi \(\small 0,9/(1+(0,9)^2)=0,497\), iar autocorelația pentru toate celelalte lag-uri va fi zero. Dacă parametrul MA, \(\small \theta\), este -0,9, autocorelația la primul lag va fi \(\small -0,9/(1+(-0,9)^2)=-0,497\).
Vei verifica aceste funcții de autocorelație pentru cele trei serii de timp generate în exercițiul anterior.
Acest exercițiu face parte din cursul
Analiza seriilor de timp în Python
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()