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)