Säsongsanpassning under skatteperioden
Många tidsserier uppvisar ett tydligt säsongsmönster. Processen för att ta bort säsongskomponenten från en tidsserie kallas säsongsanpassning. De flesta ekonomiska data som publiceras av myndigheter är till exempel säsongsanpassade.
Tidigare såg du att första differensen av en slumpvandring ger en stationär vitbrumsprocess. Vid säsongsanpassning tar du inte första differensen utan differenser med en fördröjning som motsvarar periodiciteteten.
Titta igen på ACF för H&R Blocks kvartalsvisa vinster, föradderade i DataFrame:en HRB – det finns ett tydligt säsongsmönster. Autokorrelationen är hög för fördröjningarna 4, 8, 12, 16, … på grund av vinststegringen varje fjärde kvartal under skatteperioden. Tillämpa en säsongsanpassning genom att ta den fjärde differensen (fyra representerar seriens periodicitet). Beräkna sedan autokorrelationen för den transformerade serien.
Den här övningen är en del av kursen
Tidsserieanalys i Python
Övningsinstruktioner
- Skapa en ny DataFrame med säsongsanpassade vinster genom att ta lag-4-differensen av kvartalsvinsterna med metoden
.diff(). - Undersök de första 10 raderna i den säsongsanpassade DataFrame:en och notera att de fyra första raderna är
NaN. - Ta bort
NaN-raderna med metoden.dropna(). - Plotta autokorrelationsfunktionen för den säsongsanpassade DataFrame:en.
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
# 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()