คำนวณ ACF สำหรับอนุกรมเวลา MA หลายชุด
ต่างจากโมเดล AR(1) ตรงที่โมเดล MA(1) จะไม่มีค่า autocorrelation เกินกว่า lag 1 โมเดล MA(2) จะไม่มีค่า autocorrelation เกินกว่า lag 2 และเป็นเช่นนี้ต่อไปเรื่อย ๆ ค่า autocorrelation ที่ lag 1 ของโมเดล MA(1) ไม่ใช่ \(\small \theta\) แต่คือ \(\small \theta / (1+\theta^2)\) ตัวอย่างเช่น หากพารามิเตอร์ MA คือ \(\small \theta\) = +0.9 ค่า autocorrelation ที่ lag แรกจะเท่ากับ \(\small 0.9/(1+(0.9)^2)=0.497\) และค่า autocorrelation ที่ lag อื่น ๆ ทั้งหมดจะเป็นศูนย์ หากพารามิเตอร์ MA คือ \(\small \theta\) = -0.9 ค่า autocorrelation ที่ lag แรกจะเท่ากับ \(\small -0.9/(1+(-0.9)^2)=-0.497\)
ในแบบฝึกหัดนี้ จะได้ตรวจสอบฟังก์ชัน autocorrelation เหล่านี้สำหรับอนุกรมเวลาทั้งสามชุดที่สร้างขึ้นในแบบฝึกหัดที่แล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์อนุกรมเวลาด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot 1: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()