Birden Fazla AR Zaman Serisinin ACF’sini Karşılaştır
Bir AR zaman serisinde otokorelasyon fonksiyonu, AR parametresinin hızında üstel olarak azalır. Örneğin, AR parametresi \(\small \phi = +0.9\) ise, birinci gecikme otokorelasyonu 0.9, ikinci gecikme \(\small (0.9)^2 = 0.81\), üçüncü gecikme \(\small (0.9)^3 = 0.729\) vb. olacaktır. Daha küçük bir AR parametresi daha dik bir azalmaya yol açar; negatif bir AR parametresi için, örneğin -0.9, azalma işaret değiştirir; bu durumda birinci gecikme otokorelasyonu -0.9, ikinci gecikme \(\small (-0.9)^2 = 0.81\), üçüncü gecikme \(\small (-0.9)^3 = -0.729\) vb. olur.
simulated_data_1 nesnesi AR parametresi +0.9 olan simüle zaman serisini, simulated_data_2 AR parametresi -0.9 olanı ve simulated_data_3 AR parametresi 0.3 olanı temsil eder.
Bu egzersiz
Python ile Zaman Serisi Analizi
kursunun bir parçasıdırEgzersiz talimatları
- Güven aralıklarını
alpha=1ile kapatarak ve 20 gecikme kullanarak, üç simüle veri kümesinin her biri içinplot_acffonksiyonu ile otokorelasyon fonksiyonunu hesapla.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# 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()