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, kursun bir parçasıdır
Python ile Zaman Serisi Analizi
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()