Сравнение ACF для нескольких AR-временных рядов
Для AR-временного ряда функция автокорреляции убывает экспоненциально со скоростью, определяемой параметром AR. Например, если параметр AR равен \(\small \phi = +0{,}9\), автокорреляция на первом лаге составит 0,9, на втором — \(\small (0{,}9)^2 = 0{,}81\), на третьем — \(\small (0{,}9)^3 = 0{,}729\) и так далее. При меньшем параметре AR убывание будет более резким, а при отрицательном параметре, например -0,9, знак автокорреляции будет чередоваться: на первом лаге она составит -0,9, на втором — \(\small (-0{,}9)^2 = 0{,}81\), на третьем — \(\small (-0{,}9)^3 = -0{,}729\) и так далее.
Объект simulated_data_1 соответствует смоделированному временному ряду с параметром AR равным +0,9, simulated_data_2 — с параметром AR равным -0,9, а simulated_data_3 — с параметром AR равным 0,3.
Это упражнение является частью курса
Анализ временных рядов на Python
Инструкции к упражнению
- Вычислите функцию автокорреляции для каждого из трёх смоделированных наборов данных с помощью функции
plot_acf, задав 20 лагов (подавите доверительные интервалы, установивalpha=1).
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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()