开始使用免费开始使用

计算多个 MA 时间序列的 ACF

与 AR(1) 不同,MA(1) 模型在滞后 1 之后不再存在自相关;MA(2) 模型在滞后 2 之后不再存在自相关,依此类推。对于 MA(1) 模型,滞后 1 的自相关并不是 $\small \theta\(,而是 \)\small \theta / (1+\theta^2)\(。例如,若 MA 参数 \)\small \theta\( 为 +0.9,则一阶滞后自相关为 \)\small 0.9/(1+(0.9)^2)=0.497\(,其余各阶滞后的自相关均为 0。若 MA 参数 \)\small \theta\( 为 -0.9,则一阶滞后自相关为 \)\small -0.9/(1+(-0.9)^2)=-0.497$。

您将为上一练习中生成的 3 个时间序列验证这些自相关函数。

本练习是课程的一部分

Python 中的时间序列分析

查看课程

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()
编辑并运行代码