Coursera Learner working on a presentation with Coursera logo and
Coursera Learner working on a presentation with Coursera logo and

L’analisi delle serie temporali può essere una tecnica statistica che si occupa di dati statistici, o analisi. Per dati statistici si intendono i dati che si verificano durante una serie di particolari periodi di tempo o intervalli di tempo. Le informazioni vengono prese in considerazione in tre tipi:

Dati di serie temporali: un gruppo di osservazioni sui valori che una variabile prende in tempi diversi.

Dati trasversali: Dati di 1 o più variabili, raccolti in un punto di tempo equivalente.

Dati raggruppati: un insieme di dati di serie temporali e dati trasversali.

Termini e concetti:

Dipendenza: La dipendenza si riferisce all’associazione di due osservazioni con una variabile equivalente, in punti temporali precedenti.

Stazionarietà: Mostra la media delle serie che è ancora costante in un periodo di tempo; se gli effetti del passato si accumulano e quindi i valori aumentano verso l’infinito, allora la stazionarietà non è soddisfatta.

Differenziazione: è abituato a rendere stazionaria la serie, a de-tendere e a regolare le auto-correlazioni; tuttavia, un po’ di tempo le analisi delle serie non richiedono la differenziazione e le serie troppo differenziate possono produrre stime imprecise.

Specifiche: Può comportare la verifica delle relazioni lineari o non lineari delle variabili dipendenti utilizzando modelli come ARIMA, ARCH, GARCH, VAR, Co-integrazione, ecc.

Lisciatura esponenziale nell’analisi statistica: Questo metodo predice il valore del periodo successivo che supporta il valore passato e quello attuale. Comporta la media delle conoscenze, per cui le componenti non sistematiche di ogni singolo caso o osservazione si cancellano l’una con l’altra. Il metodo di lisciatura esponenziale è utilizzato per prevedere la predicazione a breve termine. Alfa, Gamma, Phi e Delta sono i parametri che stimano l’effetto dei dati statistici. L’alfa è impiegato quando la stagionalità non è presente nei dati. La gamma è impiegata quando una serie presenta una tendenza nei dati. Delta è impiegato quando i cicli di stagionalità sono presenti nei dati. Viene applicato un modello coerente con il modello delle informazioni. Adattamento della curva nell’analisi statistica: La regressione dell’adattamento della curva è impiegata quando i dati sono durante una relazione non lineare. L’equazione successiva mostra il comportamento non lineare:

Variabile dipendente, dove il caso è il numero di caso sequenziale.

L’adattamento della curva viene spesso eseguito selezionando “regressione” dal menu di analisi e poi selezionando “stima della curva” dall’opzione di regressione. Quindi selezionare “curva lineare desiderata”, “potenza”, “quadratica”, “cubica”, “inversa”, “logistica”, “esponenziale” o “altra”.

ARIMA:

ARIMA sta per media mobile integrata autoregressiva. Questo metodo è indicato anche come metodo Box-Jenkins.

Identificazione dei parametri ARIMA:

Componente autoregressiva: AR sta per autoregressivo. Il parametro autoregressivo è indicato da p. Quando p =0, significa che non c’è auto-correlazione all’interno della serie. Quando p=1, significa che l’auto-correlazione della serie è fino a un ritardo.

Integrato: Nell’analisi statistica ARIMA, integrato è indicato da d. L’integrazione è che l’inverso della differenza. Quando d=0, significa che la serie è stazionaria e che non dobbiamo prendere la differenza. Quando d=1, significa che la serie non è stazionaria e per formarla stazionaria, vorremmo richiedere la differenza primaria. Quando d=2, significa che la serie è stata differenziata due volte. Di solito, una differenza di due volte non è affidabile.

Componente media mobile: MA sta per spostare il tipico, che è indicato da q. In ARIMA, media mobile q=1 significa che è un termine di errore e c’è auto-correlazione con un ritardo.

Per verificare se la serie e il loro termine di errore sono auto-correlati o meno, di solito usiamo il test W-D, ACF e PACF.

Decomposizione: Si riferisce alla separazione di una statistica in trend, effetti stagionali e variabilità rimanente:

Stazionarietà: l’ipotesi principale è che le serie siano stazionarie. Essenzialmente, questo suggerisce che le serie sono normalmente distribuite e quindi la media e la varianza sono costanti per un periodo di tempo prolungato.

Errore casuale non correlato: Si assume che il termine errore sia distribuito in modo casuale e che quindi la media e la varianza siano costanti per un periodo di tempo prolungato. Il test di Durbin-Watson è il test standard per gli errori correlati.

Non ci sono valori erratici: Supponiamo che non ci sia nessun outlier all’interno della serie. I valori erratici possono influenzare fortemente le conclusioni e possono essere fuorvianti.

Shock casuali (una componente di errore casuale): Se gli shock sono presenti, si presume che siano distribuiti in modo casuale con una media di 0 e una variazione continua.

Le soluzioni di statistica possono aiutarvi, insieme all’analisi chimica quantitativa, a sviluppare i capitoli relativi alla metodologia e ai risultati. I servizi che forniamo includono:

Piano di analisi dei dati

Modifica le tue domande di ricerca e le ipotesi nulle/alternative

Scrivete il vostro piano di analisi dei dati; specificate le statistiche specifiche per affrontare le domande di ricerca, i presupposti delle statistiche e giustificate perché sono le statistiche accettabili; fornite i riferimenti

Giustificate le vostre analisi di dimensione/potenza del campione, fornite i riferimenti

Spiegare la vostra analisi dei dati decidere a voi in modo da essere a proprio agio e sicuro

Due ore di supporto aggiuntivo insieme al vostro statistico

Sezione Risultati quantitativi (Statistiche descrittive, analisi bivariata e multivariata, modellizzazione delle equazioni strutturali, analisi dei percorsi, HLM, analisi dei cluster)

lingue

Weekly newsletter

No spam. Just the latest releases and tips, interesting articles, and exclusive interviews in your inbox every week.