Funkcja autokorelacji

Analiza szeregów czasowych w Pythonie

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Funkcja autokorelacji

Funkcja autokorelacji (ACF): autokorelacja jako funkcja opóźnienia
Równa jeden dla opóźnienia zerowego
Przydatne informacje dla opóźnień większych niż jeden

Przykład ACF 1: Prosta funkcja autokorelacji

Do prognozowania można użyć dwóch ostatnich wartości szeregu

Przykład ACF 2: Sezonowe zarobki

Zarobki H&R Block

ACF dla H&R Block

Przykład ACF 3: Przydatna przy wyborze modelu

Wybór modelu

Wykres ACF w Pythonie

Importowanie modułu:

from statsmodels.graphics.tsaplots import plot_acf

Wykres ACF:
```
plot_acf(x, lags= 20, alpha=0.05)
```

Przedział ufności ACF

Przedział ufności ACF

Argument alpha określa szerokość przedziału ufności
Przykład: alpha=0.05
- 5% szansa, że przy zerowej autokorelacji wartość wypadnie poza niebieski pas
Pasma ufności są szersze, gdy:
- Alpha jest mniejsza
- Mniej obserwacji
Przy uproszczonych założeniach 95% pasma ufności wynoszą $\pm 2/\sqrt{N}$
Aby ukryć pasma, należy ustawić alpha=1

Wartości ACF zamiast wykresu

from statsmodels.tsa.stattools import acf
print(acf(x))

[ 1.         -0.6765505   0.34989905 -0.01629415 -0.02507013  0.01930354
 -0.03186545  0.01399904 -0.03518128  0.02063168 -0.02620646 -0.00509828
...
  0.07191516 -0.12211912  0.14514481 -0.09644228  0.05215882]

Czas na ćwiczenia!

Analiza szeregów czasowych w Pythonie

Preparing Video For Download...