Порівняйте ACF для кількох AR-часових рядів
Функція автокореляції спадає експоненційно для AR-часового ряду зі швидкістю, що визначається параметром AR. Наприклад, якщо параметр AR \(\small \phi = +0.9\), автокореляція за першим лагом дорівнюватиме 0.9, за другим лагом — \(\small (0.9)^2 = 0.81\), за третім — \(\small (0.9)^3 = 0.729\) тощо. Менший параметр AR дає крутіший спад, а для від'ємного параметра AR, скажімо -0.9, знаки спаду чергуватимуться: автокореляція за першим лагом буде -0.9, за другим — \(\small (-0.9)^2 = 0.81\), за третім — \(\small (-0.9)^3 = -0.729\) тощо.
Об'єкт simulated_data_1 — це змодельований часовий ряд із параметром AR +0.9, simulated_data_2 — із параметром AR -0.9, а simulated_data_3 — із параметром AR 0.3
Ця вправа є частиною курсу
Аналіз часових рядів у Python
Інструкції до вправи
- Обчисліть функцію автокореляції для кожного з трьох згенерованих наборів даних за допомогою функції
plot_acfз 20 лагами (та вимкніть довірчі інтервали, встановившиalpha=1).
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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()