Сезонне коригування в податковий сезон
Багато часових рядів мають виражену сезонність. Процедуру вилучення сезонної складової часового ряду називають сезонним коригуванням. Наприклад, більшість економічних даних, які публікує уряд, є сезонно скоригованими.
Ви вже бачили, що якщо взяти перші різниці від випадкового блукання, отримаєте стаціонарний процес білого шуму. Для сезонного коригування замість перших різниць беруть різниці з лагом, що відповідає періодичності.
Знову подивіться на ACF квартального прибутку H&R Block, попередньо завантаженого в датафрейм HRB, — там чітка сезонна складова. Автокореляція висока для лагів 4, 8, 12, 16, … через сплеск прибутку кожні чотири квартали під час податкового сезону. Застосуйте сезонне коригування, взявши четверту різницю (чотири — це періодичність ряду). Потім обчисліть автокореляцію перетвореного ряду.
Ця вправа є частиною курсу
Аналіз часових рядів у Python
Інструкції до вправи
- Створіть новий датафрейм із сезонно скоригованим прибутком, взявши різницю з лагом 4 для квартального прибутку за допомогою методу
.diff(). - Перегляньте перші 10 рядків сезонно скоригованого датафрейму й зауважте, що перші чотири рядки — це
NaN. - Вилучіть рядки з
NaNза допомогою методу.dropna(). - Побудуйте автокореляційну функцію для сезонно скоригованого датафрейму.
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
# Seasonally adjust quarterly earnings
HRBsa = ___
# Print the first 10 rows of the seasonally adjusted series
print(HRBsa.___)
# Drop the NaN data in the first four rows
HRBsa = ___
# Plot the autocorrelation function of the seasonally adjusted series
plot_acf(HRBsa)
plt.show()