เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

AR หรือ MA

ในแบบฝึกหัดนี้ คุณจะใช้ ACF และ PACF เพื่อพิจารณาว่าข้อมูลชุดหนึ่งเหมาะกับโมเดล MA หรือ AR มากกว่า จำไว้ว่าการเลือก order ของโมเดลให้ถูกต้องนั้นมีความสำคัญอย่างมากต่อการพยากรณ์

สำหรับโมเดลแต่ละประเภท เราคาดหวังพฤติกรรมของ ACF และ PACF ดังนี้

AR(p)MA(q)ARMA(p,q)
ACFค่อย ๆ ลดลงตัดออกหลัง lag qค่อย ๆ ลดลง
PACFตัดออกหลัง lag pค่อย ๆ ลดลงค่อย ๆ ลดลง

ในสภาพแวดล้อมของคุณมี time series ที่ยังไม่ทราบคุณสมบัติ ชื่อ df พร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import
from statsmodels.graphics.tsaplots import ____, ____

# Create figure
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8))
 
# Plot the ACF of df
____(____, lags=____, zero=False, ax=ax1)

# Plot the PACF of df
____(____, lags=____, zero=____, ax=ax2)

plt.show()
แก้ไขและรันโค้ด