Tính ACF cho nhiều chuỗi thời gian MA
Không giống AR(1), mô hình MA(1) không có tự tương quan sau độ trễ 1, mô hình MA(2) không có tự tương quan sau độ trễ 2, v.v. Tự tương quan bậc 1 của mô hình MA(1) không phải là \(\small \theta\), mà là \(\small \theta / (1+\theta^2)\). Ví dụ, nếu tham số MA \(\small \theta\) = +0.9, tự tương quan bậc 1 sẽ là \(\small 0.9/(1+(0.9)^2)=0.497\), và tự tương quan ở mọi độ trễ khác sẽ bằng 0. Nếu tham số MA \(\small \theta\) là -0.9, tự tương quan bậc 1 sẽ là \(\small -0.9/(1+(-0.9)^2)=-0.497\).
Bạn sẽ kiểm chứng các hàm tự tương quan này cho ba chuỗi thời gian bạn đã tạo ở bài tập trước.
Bài tập này là một phần của khóa học
Phân tích chuỗi thời gian với Python
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()