Điều chỉnh mùa vụ trong mùa khai thuế
Nhiều chuỗi thời gian thể hiện hành vi mùa vụ rất rõ. Quy trình loại bỏ thành phần mùa vụ khỏi chuỗi thời gian được gọi là điều chỉnh mùa vụ. Ví dụ, hầu hết dữ liệu kinh tế do chính phủ công bố đều đã được điều chỉnh mùa vụ.
Bạn đã thấy rằng khi lấy sai phân bậc một của một bước ngẫu nhiên, bạn sẽ thu được một quá trình nhiễu trắng dừng. Với điều chỉnh mùa vụ, thay vì lấy sai phân bậc một, bạn sẽ lấy sai phân với độ trễ tương ứng với chu kỳ lặp lại.
Xem lại ACF của lợi nhuận theo quý của H&R Block, đã được nạp sẵn trong DataFrame HRB, ta thấy có thành phần mùa vụ rõ rệt. Tự tương quan cao tại các độ trễ 4, 8, 12, 16,… do lợi nhuận tăng vọt mỗi bốn quý trong mùa khai thuế. Hãy áp dụng điều chỉnh mùa vụ bằng cách lấy sai phân bậc bốn (bốn chính là chu kỳ của chuỗi). Sau đó, tính tự tương quan của chuỗi đã biến đổi.
Bài tập này là một phần của khóa học
Phân tích chuỗi thời gian với Python
Hướng dẫn bài tập
- Tạo một DataFrame mới về lợi nhuận đã điều chỉnh mùa vụ bằng cách lấy sai phân độ trễ 4 của lợi nhuận theo quý bằng phương thức
.diff(). - Xem 10 hàng đầu tiên của DataFrame đã điều chỉnh mùa vụ và lưu ý rằng bốn hàng đầu tiên là
NaN. - Loại bỏ các hàng
NaNbằng phương thức.dropna(). - Vẽ hàm tự tương quan của DataFrame đã điều chỉnh mùa vụ.
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
# 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()