比較多個 AR 時間序列的 ACF
對於 AR 時間序列，自我相關函數（autocorrelation function, ACF）會以 AR 參數所決定的速率呈指數遞減。例如，若 AR 參數 $\small \phi = +0.9\(，則第一階自我相關為 0.9，第二階為 \)\small (0.9)^2 = 0.81\(，第三階為 \)\small (0.9)^3 = 0.729\(，以此類推。較小的 AR 參數會讓遞減更陡峭；若 AR 參數為負，例如 -0.9，遞減的號誌會交替，因此第一階自我相關為 -0.9，第二階為 \)\small (-0.9)^2 = 0.81\(，第三階為 \)\small (-0.9)^3 = -0.729$，以此類推。
物件 simulated_data_1 是 AR 參數 +0.9 的模擬時間序列，simulated_data_2 是 AR 參數 -0.9，simulated_data_3 是 AR 參數 0.3。
本練習屬於課程
Python 中的時間序列分析
練習說明
- 使用
plot_acf函式對三個模擬資料集各自計算並繪製 ACF，設定 20 個落後期（lags），並將alpha=1以關閉信賴區間。
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 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()