AR 或 MA

在這個練習中，你會使用 ACF 與 PACF 來判斷某組資料較適合 MA 模型還是 AR 模型。請記住，選對模型的階數對預測表現非常關鍵。

請記得，對於不同型態的模型，我們在 ACF 與 PACF 上會期待如下的行為：

	AR(p)	MA(q)	ARMA(p,q)
ACF	逐漸衰減	在落後 q 期後截斷	逐漸衰減
PACF	在落後 p 期後截斷	逐漸衰減	逐漸衰減

環境中已提供一個性質未知的時間序列 df。

本練習屬於課程

Python 中的 ARIMA 模型

檢視課程

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Import
from statsmodels.graphics.tsaplots import ____, ____

# Create figure
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8))
 
# Plot the ACF of df
____(____, lags=____, zero=False, ax=ax1)

# Plot the PACF of df
____(____, lags=____, zero=____, ax=ax2)

plt.show()

編輯並執行程式碼