為多個 MA 時間序列計算 ACF
與 AR(1) 不同,MA(1) 模型在超過 1 階之後沒有自我相關,MA(2) 模型在超過 2 階之後沒有自我相關,依此類推。MA(1) 模型在第 1 階的自我相關並不是 $\small \theta\(,而是 \)\small \theta / (1+\theta^2)\(。例如,若 MA 參數 \)\small \theta\( 為 +0.9,第一階自我相關為 \)\small 0.9/(1+(0.9)^2)=0.497\(,其餘各階的自我相關皆為 0。若 MA 參數 \)\small \theta\( 為 -0.9,第一階自我相關為 \)\small -0.9/(1+(-0.9)^2)=-0.497$。
你將針對上一個練習中產生的三個時間序列,驗證這些自我相關函數。
本練習屬於課程
Python 中的時間序列分析
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: MA parameter = -0.9
plot_acf(___, lags=20)
plt.show()