报税季的季节性调整

许多时间序列表现出强烈的季节性。去除时间序列中的季节成分的过程称为季节性调整。例如，大多数政府公布的经济数据都是经过季节性调整的。

您之前看到，对随机游走取一阶差分会得到平稳的白噪声过程。进行季节性调整时，不是取一阶差分，而是取与周期相对应滞后的差分。

再看一下预先加载在 DataFrame HRB 中的 H&R Block 按季度的收益的自相关函数（ACF），可以清楚地看到季节性成分。由于每逢报税季每 4 个季度出现一次收益高峰，因此在滞后 4、8、12、16、… 处的自相关较高。请通过取四阶差分进行季节性调整（4 表示该序列的周期）。然后计算变换后序列的自相关函数。

本练习是课程的一部分

Python 中的时间序列分析

查看课程

练习说明

使用 .diff() 方法对季度收益取滞后 4 的差分，创建一个新的季节性调整后收益的 DataFrame。
查看季节性调整后 DataFrame 的前 10 行，注意前 4 行为 NaN。
使用 .dropna() 方法删除包含 NaN 的行。
绘制季节性调整后 DataFrame 的自相关函数。

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

# 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()

编辑并运行代码