AR(1) ile MA(sonsuz) Eşdeğerliği
MA modelleri ile AR modelleri arasındaki ilişkiyi daha iyi anlamak için, uygun parametrelerle bir AR(1) modelinin MA(\(\small \infty\)) modeline eşdeğer olduğunu göstereceksin.
Büyük sayıda (30) gecikme için parametreleri \(\small 0.8, 0.8^2, 0.8^3, \ldots \) olan bir MA modelini simüle edecek ve bunun, \(\small \phi=0.8\) olan bir AR(1) modeliyle aynı Otokorelasyon Fonksiyonuna sahip olduğunu göstereceksin.
Not: Bir x sayısını n üssüne çıkarmak için x**n biçimini kullan.
Bu egzersiz
Python ile Zaman Serisi Analizi
kursunun bir parçasıdırEgzersiz talimatları
- statsmodels içinden veri simülasyonu ve ACF çizimi için gerekli modülleri içe aktar
- üstsel olarak azalan MA parametreleriyle bir liste oluşturmak için bir liste üreteci kullan: \(\small 1, 0.8, 0.8^2, 0.8^3, \ldots\)
- MA(30) modelinden 5000 gözlem simüle et
- Simüle edilen serinin ACF'sini çiz
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# import the modules for simulating data and plotting the ACF
from statsmodels.tsa.arima_process import ArmaProcess
from statsmodels.graphics.tsaplots import plot_acf
# Build a list MA parameters
ma = [___ for i in range(30)]
# Simulate the MA(30) model
ar = np.array([1])
AR_object = ArmaProcess(ar, ___)
simulated_data = ___.generate_sample(nsample=5000)
# Plot the ACF
plot_acf(___, lags=30)
plt.show()