Jämför ACF för flera AR-tidsserier
Autokorrelationsfunktionen avtar exponentiellt för en AR-tidsserie i en takt som bestäms av AR-parametern. Om AR-parametern exempelvis är \(\small \phi = +0.9\), blir autokorrelationen för den första laggen 0,9, för den andra laggen \(\small (0.9)^2 = 0.81\), för den tredje laggen \(\small (0.9)^3 = 0.729\), och så vidare. En mindre AR-parameter ger ett brantare avtagande. För en negativ AR-parameter, till exempel -0,9, växlar tecknet för varje lagg: autokorrelationen för den första laggen blir -0,9, för den andra laggen \(\small (-0.9)^2 = 0.81\), för den tredje laggen \(\small (-0.9)^3 = -0.729\), och så vidare.
Objektet simulated_data_1 är den simulerade tidsserien med AR-parametern +0,9, simulated_data_2 har AR-parametern -0,9, och simulated_data_3 har AR-parametern 0,3.
Den här övningen är en del av kursen
Tidsserieanalys i Python
Övningsinstruktioner
- Beräkna autokorrelationsfunktionen för var och en av de tre simulerade datamängderna med funktionen
plot_acfoch 20 laggar (undertryck konfidensintervallen genom att angealpha=1).
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()