Wprowadzenie do ACF i PACF

Modele ARIMA w Pythonie

James Fulton

Climate informatics researcher

Motywacja

ACF i PACF

ACF – funkcja autokorelacji
PACF – funkcja cząstkowej autokorelacji

Czym jest ACF

autokorelacja lag-1 $\rightarrow$ $corr(y_t, y_{t-1})$
autokorelacja lag-2 $\rightarrow$ $corr(y_t, y_{t-2})$
...
autokorelacja lag-n $\rightarrow$ $corr(y_t, y_{t-n})$

Czym jest ACF

Czym jest PACF

Wybór rzędu modelu za pomocą ACF i PACF

Model AR(2) $\rightarrow$

Wybór rzędu modelu za pomocą ACF i PACF

Model MA(2) $\rightarrow$

Wybór rzędu modelu za pomocą ACF i PACF

Wybór rzędu modelu za pomocą ACF i PACF

Implementacja w Pythonie

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# Create figure
fig, (ax1, ax2) = plt.subplots(2,1, figsize=(8,8))

# Make ACF plot
plot_acf(df, lags=10, zero=False, ax=ax1)

# Make PACF plot
plot_pacf(df, lags=10, zero=False, ax=ax2)

plt.show()

Implementacja w Pythonie

Nadmierne/niedostateczne różnicowanie a ACF i PACF

Nadmierne/niedostateczne różnicowanie a ACF i PACF

Czas na ćwiczenia!

Modele ARIMA w Pythonie

Preparing Video For Download...