So sánh ACF cho nhiều chuỗi thời gian AR
Hàm tự tương quan (autocorrelation) sẽ giảm dần theo hàm mũ đối với chuỗi thời gian AR với tốc độ do tham số AR quyết định. Ví dụ, nếu tham số AR \(\small \phi = +0.9\), tự tương quan ở độ trễ 1 sẽ là 0.9, độ trễ 2 sẽ là \(\small (0.9)^2 = 0.81\), độ trễ 3 sẽ là \(\small (0.9)^3 = 0.729\), v.v. Tham số AR nhỏ hơn sẽ làm đường giảm dốc hơn, và nếu tham số AR âm, chẳng hạn -0.9, dấu sẽ đảo qua mỗi độ trễ: tự tương quan ở độ trễ 1 sẽ là -0.9, độ trễ 2 là \(\small (-0.9)^2 = 0.81\), độ trễ 3 là \(\small (-0.9)^3 = -0.729\), v.v.
Đối tượng simulated_data_1 là chuỗi thời gian mô phỏng với tham số AR +0.9, simulated_data_2 có tham số AR -0.9, và simulated_data_3 có tham số AR 0.3
Bài tập này là một phần của khóa học
Phân tích chuỗi thời gian với Python
Hướng dẫn bài tập
- Tính hàm tự tương quan cho từng bộ dữ liệu mô phỏng bằng cách dùng hàm
plot_acfvới 20 độ trễ (và ẩn khoảng tin cậy bằng cách đặtalpha=1).
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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()