Birkaç MA Zaman Serisi için ACF'yi Hesapla
AR(1)'in aksine, bir MA(1) modelinde gecikme 1'in ötesinde otokorelasyon yoktur; MA(2) modelinde gecikme 2'nin ötesinde yoktur, vb. MA(1) modelinde 1. gecikme otokorelasyonu \(\small \theta\) değil, \(\small \theta / (1+\theta^2)\)'dir. Örneğin, MA parametresi \(\small \theta\) = +0.9 ise, birinci gecikme otokorelasyonu \(\small 0.9/(1+(0.9)^2)=0.497\) olur ve diğer tüm gecikmelerde otokorelasyon sıfırdır. MA parametresi \(\small \theta\) -0.9 ise, birinci gecikme otokorelasyonu \(\small -0.9/(1+(-0.9)^2)=-0.497\) olacaktır.
Son egzersizde ürettiğin üç zaman serisi için bu otokorelasyon fonksiyonlarını doğrulayacaksın.
Bu egzersiz
Python ile Zaman Serisi Analizi
kursunun bir parçasıdırUygulamalı 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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()