Simulera MA(1)-tidsserier

Du ska simulera och plotta några MA(1)-tidsserier, var och en med en annan parameter, \(\small \theta\), med hjälp av modulen arima_process i statsmodels – precis som du gjorde i förra kapitlet för AR(1)-modeller. Du tittar på en MA(1)-modell med ett stort positivt \(\small \theta\) och ett stort negativt \(\small \theta\).

Precis som i förra kapitlet måste du inkludera lag-noll-koefficienten 1 när du anger koefficienterna. Till skillnad från AR-modellerna har MA-koefficienterna dock det tecken man förväntar sig. För en MA(1)-process med \(\small \theta=-0.9\) ser exempelvis arrayen med MA-parametrarna ut så här: ma = np.array([1, -0.9])

Den här övningen är en del av kursen

Tidsserieanalys i Python

Visa kurs

Övningsinstruktioner

Importera klassen ArmaProcess från modulen arima_process.
Plotta de simulerade MA(1)-processerna
- Låt ma1 representera en array med MA-parametrarna [1, \(\small \theta\)] enligt beskrivningen ovan. AR-parameterarryen ska bara innehålla lag-noll-koefficienten ett.
- Skapa en instans av klassen ArmaProcess(ar,ma) med parametrarna ar1 och ma1, och kalla den MA_object1.
- Simulera 1 000 datapunkter från objektet du nyss skapade, MA_object1, med metoden .generate_sample(). Plotta den simulerade datan i ett deldiagram.
Upprepa för den andra MA-parametern.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# import the module for simulating data
from statsmodels.tsa.arima_process import ArmaProcess

# Plot 1: MA parameter = -0.9
plt.subplot(2,1,1)
ar1 = np.array([1])
ma1 = np.array([1, ____])
MA_object1 = ArmaProcess(____, ____)
simulated_data_1 = MA_object1.generate_sample(nsample=1000)
plt.plot(simulated_data_1)

# Plot 2: MA parameter = +0.9
plt.subplot(2,1,2)
ar2 = np.array([1])
ma2 = np.array([1, ____])
MA_object2 = ArmaProcess(____, ____)
simulated_data_2 = MA_object2.generate_sample(nsample=1000)
plt.plot(simulated_data_2)

plt.show()

Redigera och kör kod