Red de conocimiento del abogados - Ley de patentes - 16 métodos de análisis de datos de uso común: análisis de series de tiempo

16 métodos de análisis de datos de uso común: análisis de series de tiempo

Las series de tiempo (serie temporal) son una secuencia numérica en la que los valores observados de una determinada variable en el sistema se ordenan en orden temporal (con el mismo intervalo de tiempo) , mostrando el objeto de investigación dentro de un período determinado El proceso de cambio de las cosas, a partir del cual encontrar y analizar las características cambiantes, tendencias de desarrollo y leyes de las cosas. Es el resultado total de que una determinada variable del sistema se vea afectada por varios otros factores.

El objetivo principal del estudio de series de tiempo es hacer predicciones y predecir cambios futuros basándose en los datos de series de tiempo existentes. La clave para el pronóstico de series de tiempo es determinar el patrón de cambio en una serie de tiempo existente y asumir que este patrón continuará en el futuro.

Hora Características básicas de la secuencia

Se supone que la tendencia de desarrollo de las cosas se extenderá hacia el futuro

Los datos en los que se basa la predicción son irregulares

No considerar la relación causal entre el desarrollo de las cosas

Los datos de series temporales se utilizan para describir las características de los fenómenos que se desarrollan a lo largo del tiempo.

Hora Consideraciones de secuencia

El análisis de series de tiempo se puede dividir en análisis de series de tiempo tradicional y análisis de series de tiempo moderno según su etapa de desarrollo histórico y los métodos de análisis estadístico utilizados según el tiempo de observación. De otra manera, el tiempo en la serie temporal puede ser año, trimestre, mes o cualquier otra forma temporal.

Los principales factores a considerar en el análisis de series temporales son:

l¿Tendencia a largo plazo?

>

Una serie temporal puede ser bastante estable o mostrar alguna tendencia a lo largo del tiempo.

Las tendencias de las series temporales generalmente son funciones lineales, cuadráticas o exponenciales.

lVariación estacional (Variación estacional)

Una secuencia de comportamientos repetitivos que cambia con el tiempo.

Los cambios estacionales suelen estar relacionados con la fecha o el clima.

Los cambios estacionales suelen estar relacionados con ciclos anuales.

l Variación cíclica (Variación cíclica)

En relación con la variación estacional, una serie temporal puede experimentar una "variación cíclica" " .

Los cambios cíclicos suelen deberse a cambios en la economía.

l Efectos aleatorios

Además, también existen factores aleatorios que afectan las series de tiempo. Como resultado, el tiempo. La serie presenta algunas fluctuaciones aleatorias. Las fluctuaciones accidentales en una serie temporal después de eliminar las tendencias, la periodicidad y la estacionalidad se denominan aleatoriedad, también conocidas como variaciones irregulares.

Hora Componentes principales de la secuencia

Los componentes de la serie temporal se pueden dividir en 4 tipos:

l Tendencia (T ),

p>

l Cambios estacionales o estacionales (S),

l Fluctuaciones cíclicas o cíclicas (C),

l Fluctuaciones aleatorias o irregulares (I ).

Uno de los contenidos principales del análisis de series de tiempo tradicional es separar estos componentes de las series de tiempo y expresar la relación entre ellos mediante ciertas relaciones matemáticas y luego analizarlos por separado.

Hora Pasos básicos del modelado de secuencias

1) Utilice observación, encuestas, estadísticas, muestreo y otros métodos para obtener los datos dinámicos de series de tiempo del sistema observado.

2) Haga un diagrama de correlación basado en datos dinámicos, realice análisis de correlación y encuentre la función de autocorrelación.

Los gráficos de correlación pueden mostrar tendencias y ciclos cambiantes, y pueden encontrar puntos de salto y puntos de inflexión.

Un punto de salto es una observación que es inconsistente con otros datos. Si el punto de salto es un valor de observación correcto, se debe tener en cuenta al modelar. Si es una anomalía, el punto de salto se debe ajustar al valor esperado.

El punto de inflexión se refiere al punto en el que la serie temporal cambia repentinamente de una tendencia ascendente a una tendencia descendente. Si hay un punto de inflexión, se deben utilizar diferentes modelos para ajustar la serie temporal por partes durante el modelado, como un modelo de regresión de umbral.

3) Identificar el modelo estocástico apropiado y realizar un ajuste de curvas, es decir, utilizar un modelo estocástico general para ajustar los datos de observación de series temporales.

Para series temporales cortas o simples, se pueden utilizar modelos de tendencia y modelos estacionales más errores para ajustar.

Para series temporales estacionarias, se puede utilizar el modelo ARMA general (modelo de media móvil autorregresivo) y su modelo autorregresivo de caso especial, el modelo de media móvil o el modelo ARMA combinado.

Cuando hay más de 50 observaciones, generalmente se utiliza el modelo ARMA. Para series de tiempo no estacionarias, la serie de tiempo observada primero debe diferenciarse en una serie de tiempo estacionaria y luego se utiliza un modelo apropiado para ajustar la secuencia de diferencias.

spss Proceso de análisis de series de tiempo

Paso 1: Definir marcadores de fecha:

Abrir el archivo de datos , haga clic en "Datos", seleccione "Definir fecha y hora", aparecerá el cuadro de diálogo "Definir fecha",

La hora de inicio en los datos es la unidad en el archivo de datos La primera vez en la cuadrícula, la primera vez es agosto de 1997, cada fila representa el volumen de ventas mensual, por lo tanto, debe seleccionar "Año, Mes" en el cuadro "Caso es" en el lado izquierdo de "Definir fecha". "cuadro de diálogo", ingrese '1997' a la izquierda y '8' en el cuadro de mes, lo que indica que el mes de inicio del primer caso es agosto de 1997.

Finalmente haga clic OK, entonces se generarán 3 nuevas variables en el archivo de datos spss

Como se muestra a continuación:

Paso 2: Comprenda la tendencia cambiante de las series temporales

Para comprender la tendencia cambiante de las series temporales, simplemente haga un gráfico de secuencia. Haga clic en "Analizar", seleccione "Pronóstico de series temporales" y seleccione ". Cuadro de diálogo "" Gráfico de secuencia, luego mueva 'Promedio' al cuadro "Variables", mueva 'FECHA_' al cuadro "Etiqueta de línea de tiempo" y haga clic en "Aceptar. El resultado es como se muestra en la figura

<". p>

 

Según el análisis del diagrama de secuencia, sabemos que la fluctuación de la secuencia se vuelve cada vez mayor con las estaciones, por lo que elija el modelo multiplicativo;

Paso 3: Análisis

Haga clic en "Analizar", seleccione el pronóstico de series de tiempo y luego seleccione "Descomposición estacional" para que aparezca el cuadro de diálogo "Descomponer estacionalidad", haga clic en Aceptar después de confirmar que es correcto, como se muestra en la figura:

Hay cuatro variables más:

p>

lERR representa el análisis de errores;

lSAS representa la serie corregida por factores estacionales

lSAF representa factores estacionales;

lSTC representa tendencias y ciclos de largo plazo Secuencia de cambios.

Podemos hacer un diagrama de secuencia de las cuatro nuevas variables, promedio y FECHA_. Primero haga un diagrama de secuencia de ERR, SAS, STC, valor promedio y DATE_. El efecto es el siguiente:

Luego haga un diagrama separado de. SAT y DATE_ Gráfico de series temporales

Paso 4: Pronóstico

1. Haga clic en " Analizar "", seleccione "Pronóstico de series temporales" y luego seleccione "Crear modelo tradicional", y luego aparecerá el cuadro de diálogo "Modelado de series temporales".

2. Mueva "Promedio" al cuadro "Variable dependiente", luego determine el "Método" en el medio y seleccione el elemento "Modelador experto" en el menú desplegable. lista desplegable, haga clic en el botón "Condiciones" a la derecha para abrir el cuadro de diálogo "Modelador de series temporales: Condiciones del modelador experto".

3. En la pestaña "Modelo" del cuadro de diálogo "Modelador de series temporales: Condiciones del modelador experto", seleccione "Todos" en el cuadro "Tipo de modelo". elemento y marque la casilla de verificación "El modelador experto considera el modelo estacional". Después de la configuración, haga clic en el botón "Continuar"

4. En "Construcción de series temporales" en el "Modelo". cuadro de diálogo, cambie a la pestaña "Guardar", marque la casilla de verificación "Valor previsto", haga clic en el botón "Examinar" detrás de "Archivo XML" en el cuadro "Exportar condiciones del modelo" y luego configure el archivo del modelo exportado y guarde la ruta. luego haga clic en el botón "Aceptar".

Después de completar los pasos anteriores, aparecerá otra columna de valores predichos en los datos originales. Como se muestra en la figura:

El modelo predicho se guardó antes y ahora usaremos ese modelo para predecir los datos.

1. Haga clic en "Analizar", seleccione "Previsión de series temporales" y luego seleccione "Aplicar modelo tradicional" para que aparezca el cuadro de diálogo "Aplicar secuencia de modelo". La operación específica es la siguiente:

El último paso es cambiar a la interfaz "Guardar", marcar "Valor previsto" y hacer clic en Aceptar. .

No se puede ver directamente desde el valor predicho. Puede juntar los datos predichos y los datos originales. A continuación, puede hacer el diagrama de secuencia directamente.

De esta forma se completa un modelo de serie temporal. Los datos de pronóstico específicos se pueden ver en la nueva columna de datos que aparece encima de los datos originales.

- Fin -