Сезонная корректировка в период налоговой отчётности
Многим временным рядам свойственна выраженная сезонность. Процедура устранения сезонной составляющей называется сезонной корректировкой. Например, большинство экономических данных, публикуемых правительством, проходит такую корректировку.
Ранее вы видели, что взяв первые разности случайного блуждания, можно получить стационарный процесс белого шума. При сезонной корректировке вместо первых разностей берут разности с лагом, соответствующим периодичности ряда.
Взгляните ещё раз на функцию автокорреляции (ACF) квартальной прибыли компании H&R Block, предварительно загруженной в DataFrame HRB. На графике хорошо виден сезонный компонент: автокорреляция высока для лагов 4, 8, 12, 16, … — это объясняется скачком прибыли каждые четыре квартала в период налоговой отчётности. Примените сезонную корректировку, взяв разности четвёртого порядка (четыре соответствует периодичности ряда), а затем вычислите автокорреляцию преобразованного ряда.
Это упражнение является частью курса
Анализ временных рядов на Python
Инструкции к упражнению
- Создайте новый DataFrame с сезонно скорректированной прибылью, взяв разности с лагом 4 от квартальной прибыли с помощью метода
.diff(). - Изучите первые 10 строк сезонно скорректированного DataFrame и обратите внимание, что первые четыре строки содержат
NaN. - Удалите строки с
NaNс помощью метода.dropna(). - Постройте функцию автокорреляции для сезонно скорректированного DataFrame.
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
# 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()