เปรียบเทียบ ACF ของอนุกรมเวลา AR หลายชุด
ฟังก์ชัน Autocorrelation (ACF) ของอนุกรมเวลา AR จะลดลงแบบเอกซ์โพเนนเชียลในอัตราที่สอดคล้องกับพารามิเตอร์ AR ตัวอย่างเช่น หากพารามิเตอร์ AR คือ \(\small \phi = +0.9\) ค่า Autocorrelation ที่ Lag 1 จะเท่ากับ 0.9, Lag 2 จะเท่ากับ \(\small (0.9)^2 = 0.81\), Lag 3 จะเท่ากับ \(\small (0.9)^3 = 0.729\) และต่อไปเรื่อย ๆ หากพารามิเตอร์ AR มีค่าน้อยลง การลดลงจะชันขึ้น และหากพารามิเตอร์ AR ติดลบ เช่น -0.9 ค่า Autocorrelation จะสลับเครื่องหมาย โดย Lag 1 จะเท่ากับ -0.9, Lag 2 จะเท่ากับ \(\small (-0.9)^2 = 0.81\), Lag 3 จะเท่ากับ \(\small (-0.9)^3 = -0.729\) และต่อไปเรื่อย ๆ
simulated_data_1 คืออนุกรมเวลาจำลองที่มีพารามิเตอร์ AR เท่ากับ +0.9, simulated_data_2 มีพารามิเตอร์ AR เท่ากับ -0.9 และ simulated_data_3 มีพารามิเตอร์ AR เท่ากับ 0.3
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์อนุกรมเวลาด้วย Python
คำแนะนำการฝึกหัด
- คำนวณฟังก์ชัน Autocorrelation ของชุดข้อมูลจำลองทั้งสามชุดโดยใช้ฟังก์ชัน
plot_acfกำหนด Lag จำนวน 20 ค่า และปิดการแสดงช่วงความเชื่อมั่นโดยตั้งค่าalpha=1
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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()