En skattad övning: Beräkna ACF

I det förra kapitlet beräknade du autokorrelationer med en eftersläpning. Ofta är vi intresserade av att se autokorrelationen över många eftersläpningar. Kvartalsresultaten för H&R Block (ticker-symbol HRB) är plottade, och du kan se den tydliga cykliska karaktären i resultaten. En stor del av intäkterna kommer under det kvartal då skatten ska betalas.

Du ska beräkna matrisen av autokorrelationer för H&R Blocks kvartalsresultat, som är förinstallerade i DataFrame:n HRB. Sedan plottar du autokorrelationsfunktionen med modulen plot_acf. Det här diagrammet visar hur autokorrelationsfunktionen ser ut för cykliska resultatdata. ACF vid lag=0 är alltid ett, naturligtvis. I nästa övning lär du dig om konfidensintervallet för ACF, men tills vidare undertrycker du det genom att ange alpha=1.

Den här övningen är en del av kursen

Tidsserieanalys i Python

Visa kurs

Övningsinstruktioner

Importera modulerna acf och plot_acf från statsmodels.
Beräkna matrisen av autokorrelationer för kvartalsresultaten i DataFrame:n HRB.
Plotta autokorrelationsfunktionen för kvartalsresultaten i HRB och skicka med argumentet alpha=1 för att undertrycka konfidensintervallet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the acf module and the plot_acf module from statsmodels
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf

# Compute the acf array of HRB
acf_array = acf(___)
print(acf_array)

# Plot the acf function
plot_acf(___)
plt.show()

Redigera och kör kod