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

Анализ временных рядов может быть статистическим методом, который работает со статистическими данными, или анализом. Под статистическими данными понимаются данные, относящиеся к ряду определенных временных периодов или интервалов. Информация учитывается в трех типах:

Данные временных рядов: группа наблюдений за значениями, которые переменная принимает в разное время.

Данные поперечного сечения: Данные по 1 или более переменным, собранные в эквивалентный момент времени.

Объединенные данные: смесь ваших данных временного ряда и данных поперечного сечения.

Термины и понятия:

Зависимость: Зависимость означает ассоциацию двух наблюдений с эквивалентной переменной в предшествующие моменты времени.

Стационарность: Показывает среднее значение ряда, которое остается постоянным в течение временного периода; если прошлые эффекты накапливаются и, следовательно, значения увеличиваются до бесконечности, то стационарность не соблюдается.

Дифференцирование: не делает серию стационарной, де-тренд и регулирование автокорреляций; однако, анализ ряда не требует дифференцирования, а чрезмерно дифференцированные ряды могут давать неточные оценки.

Спецификация: Может включать в себя тестирование линейных или нелинейных отношений зависимых переменных с помощью таких моделей, как ARIMA, ARCH, GARCH, VAR, Co-integration и т.д.

Экспоненциальное сглаживание при статистическом анализе: Данный метод предсказывает одно значение следующего периода, поддерживаемое прошлыми и текущими значениями. Он включает в себя усреднение знаний таких несистемных компонентов каждого отдельного случая или наблюдения, уничтожающих друг друга. Метод экспоненциального сглаживания используется для предсказания краткосрочного прогноза. Альфа, Гамма, Фи и Дельта – это параметры, которые оценивают влияние статистических данных. Альфа используется в тех случаях, когда сезонность не присутствует в данных. Гамма используется в тех случаях, когда ряд имеет тенденцию в данных. Дельта используется, когда в данных отсутствуют сезонные циклы. Применяется модель, согласующаяся со схемой информации. Подгонка кривых при статистическом анализе: Регрессия подгонки кривых используется в тех случаях, когда данные находятся в нелинейных соотношениях. Последующее уравнение показывает нелинейное поведение:

Зависимая переменная, где случай – последовательный номер случая.

Подгонка кривых часто выполняется путем выбора “регрессии” из меню анализа, а затем выбора “оценки кривых” из опции регрессии. Затем выберите “нужная кривая линейная”, “мощность”, “квадратичная”, “кубическая”, “обратная”, “логистическая”, “экспоненциальная” или “другая”.

АРИМА:

ARIMA означает авторегрессивную интегрированную скользящую среднюю. Этот метод дополнительно называется методом Бокса-Дженкинса.

Идентификация параметров ARIMA:

Компонент авторегрессии: AR означает авторегрессивную. Параметр авторегрессии обозначается p. При p = 0 это означает отсутствие автокорреляции внутри ряда. Когда p=1, это означает, что автокорреляция серии продолжается до одного лага.

Интегрировано: В статистическом анализе ARIMA интеграл обозначается d. Интеграция – это обратная противоположность дифференциации. Когда d=0, это означает, что ряд стационарен и что мы не должны брать разницу. Когда d=1, это означает, что ряд не является стационарным, и для того, чтобы сформировать его стационарно, мы хотели бы потребовать первичное различие. Когда d=2, это означает, что серия была разделена дважды. Обычно, разница во времени в два раза ненадежна.

Скользящая средняя составляющая: MA – это типичная скользящая средняя, обозначаемая q. В ARIMA скользящая средняя q=1 означает, что это ошибочный термин и существует автокорреляция с одним запаздыванием.

Для того, чтобы проверить, коррелирован ли ряд и его ошибочный термин, мы обычно используем W-D тест, ACF и PACF.

Разложение: Относится к разделению статистики на трендовые, сезонные эффекты и остаточные вариабельностьПредположения:

Стационарность: основное предположение, что ряд является стационарным. По существу, это предполагает, что ряд нормально распределен и, следовательно, среднее и дисперсия постоянны в течение длительного периода времени.

Несвязанная случайная ошибка: Мы предполагаем, что член ошибки распределен случайным образом и, следовательно, среднее и дисперсия постоянны в течение длительного периода времени. Тест Дарбина-Ватсона является стандартным тестом на коррелированные ошибки.

Никаких отклонений: Мы предполагаем, что внутри ряда нет отклонений. Отклонения могут сильно повлиять на выводы и могут ввести в заблуждение.

Случайные удары (компонент случайной ошибки): Если удары присутствуют, то предполагается, что они распределены случайным образом со средним значением 0 и продолжающейся дисперсией.

Статистические решения могут помочь вам вместе с вашим количественным химическим анализом, помогая вам разработать методологию и главы с результатами. Услуги, которые мы предоставляем, включают в себя:

План анализа данных

Отредактируйте ваши исследовательские вопросы и нулевые/альтернативные гипотезы.

Напишите план анализа данных; укажите конкретные статистические данные для решения вопросов исследования, предположения по статистике и обоснуйте, почему они являются приемлемой статистикой; предоставьте ссылки.

Обоснуйте вашу выборку по размеру/анализу мощности, предоставьте рекомендации.

Объясните, какие решения вы принимаете по результатам анализа данных, чтобы вам было удобно и уверенно.

Два часа дополнительной поддержки вместе с вашим специалистом по статистике.

Раздел количественных результатов (Описательная статистика, Двумерный и многомерный анализ, Моделирование структурных уравнений, Путевой анализ, HLM, Кластерный анализ)

Языки

Weekly newsletter

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