በስታቲስቲክስ ውስጥ የጊዜ ተከታታይ ትንተና

በስታቲስቲክስ ውስጥ የጊዜ ተከታታይ ትንተና

የጊዜ ተከታታይ ትንተና እንደ ዕለታዊ፣ ሳምንታዊ፣ ወርሃዊ ወይም በየዓመቱ ያሉ በጊዜ ሂደት የተሰበሰበውን መረጃ በቅደም ተከተል የሚያጠና የስታቲስቲክስ ቅርንጫፍ ነው። በአንድ ጊዜ በአንድ ጊዜ የሚሰበሰቡትን የመስቀለኛ ክፍል መረጃዎች በተለየ፣ የጊዜ ተከታታይ ትንተና በጊዜ ሂደት የሚፈጠሩ የለውጥ እና ቅጦች ተለዋዋጭነትን ያጎላል። ምክንያቱም ብዙ አስፈላጊ ውሳኔዎች - በኢኮኖሚክስ፣ በንግድ፣ በሕዝብ ጤና፣ በኢነርጂ እና በአየር ንብረት ላይ - ያለፉትን አዝማሚያዎች በመረዳት እና የወደፊት ሁኔታዎችን በመተንበይ ላይ የተመሰረቱ ስለሆኑ የጊዜ ተከታታይ ትንተና በምርምር እና በተግባር ወሳኝ መሳሪያ ነው።

የጊዜ ተከታታይ መረጃ ባህሪያት

የጊዜ ተከታታይ ዋና ባህሪ አስፈላጊ መረጃዎችን ሳያጣ ሊለዋወጥ የማይችል ቅደም ተከተል መኖሩ ነው። የዛሬው እሴት ብዙውን ጊዜ ከትላንት እሴት ጋር የተያያዘ ሲሆን የዚህ ወር እሴትም በዓመታዊ ቅጦች ተጽዕኖ ሊያሳድር ይችላል። ይህ የጊዜያዊ ጥገኛነት ራስ-ሰር ትስስር ይባላል። በተጨማሪም የጊዜ ተከታታይ ብዙውን ጊዜ እንደ አዝማሚያዎች (የረጅም ጊዜ እንቅስቃሴዎች)፣ ወቅታዊነት (በጊዜ ሂደት የሚደጋገሙ ቅጦች)፣ ዑደቶች (ሁልጊዜ መደበኛ ያልሆኑ መካከለኛ-ጊዜ ሞገዶች) እና ጫጫታ ወይም የዘፈቀደ ስህተቶች ያሉ ክፍሎችን ያሳያል።

ለምሳሌ፣ የችርቻሮ ሽያጭ በበዓላት (ወቅታዊ) አካባቢ ይጨምራል፣ ነገር ግን በኢኮኖሚ እድገት (አዝማሚያ) ምክንያት ከዓመት ወደ ዓመት ቀስ በቀስ ሊጨምር ይችላል። ባልተጠበቁ ክስተቶች ምክንያት የሚከሰቱ መለዋወጥ - እንደ የአቅርቦት መስተጓጎል ወይም የፖሊሲ ለውጦች - በዘፈቀደ ክፍል ስር ይወድቃሉ።

የጊዜ ተከታታይ ትንተና ዓላማ

በአጠቃላይ የጊዜ ተከታታይ ትንተና በርካታ ዋና ዋና ዓላማዎች አሉት። በመጀመሪያ፣ የውሂብ ቅጦችን በአጭሩ እና በመረጃ ሰጪነት ይገልፃል፣ ለምሳሌ አዝማሚያዎችን ከወቅታዊነት በመለየት። ሁለተኛ፣ የውሂብ ምስረታ ዘዴዎችን በስታቲስቲክስ ሞዴሎች ያብራራል፣ ይህም በጊዜ ሂደት በእሴቶች ላይ ከሚደረጉ ለውጦች በስተጀርባ ያሉትን ሂደቶች እንድንረዳ ያስችለናል። ሶስተኛ፣ በታሪካዊ ቅጦች ላይ በመመስረት የወደፊት እሴቶችን የሚገምት ትንበያ ይሰጣል። አራተኛ፣ እንደ የኢኮኖሚ ቀውሶች፣ የገበያ ባህሪ ለውጦች ወይም የውሂብ መዛባት የሚያስከትሉ ብልሹ የመለኪያ መሳሪያዎች ያሉ ያልተለመዱ ወይም መዋቅራዊ ለውጦችን ይለያል።

የመጀመሪያ ደረጃዎች፡ ምስላዊነት እና ፍለጋ

የተለመደው የመጀመሪያ እርምጃ ውሂቡን ከጊዜ ጋር ማነፃፀር ነው። ቀላል ምስላዊ እይታዎች ብዙውን ጊዜ ወደ ላይ ወይም ወደ ታች አዝማሚያዎችን፣ የወቅቱን ቅጦች እና ውጫዊ ሁኔታዎችን ያሳያሉ። ከዚያም የመጀመሪያ ደረጃ ስታቲስቲክስ ትንተና ይከናወናል፣ ለምሳሌ የአጭር ጊዜ መለዋወጥን ለማቃለል የሚንቀሳቀስ አማካይ ማስላት ወይም የጊዜ ተከታታይ መበስበስን በመጠቀም አዝማሚያን፣ ወቅታዊ እና የቀሩ ክፍሎችን ይለያል።

ከፕላቶች በተጨማሪ፣ በጊዜ ተከታታይ ፍለጋ ውስጥ ሁለት አስፈላጊ መሳሪያዎች የራስ-ሰር ትስስር ተግባር (ACF) እና ከፊል የራስ-ሰር ትስስር ተግባር (PACF) ናቸው። ACF በአሁኑ እሴት እና በተለያዩ መዘግየትዎች መካከል ባለው እሴት መካከል ያለው ግንኙነት ምን ያህል ጠንካራ እንደሆነ ያሳያል (ለምሳሌ፣ ከ1 ቀን በፊት፣ ከ2 ቀናት በፊት፣ ወዘተ)። PACF የትንንሽ መዘግየት ተጽዕኖ ከተቆጣጠረ በኋላ የመዘግየት ቀጥተኛ ተጽዕኖን ለመለየት ይረዳል። ከ ACF እና PACF የተገኘው መረጃ ትክክለኛውን ሞዴል ለመምረጥ በጣም ጠቃሚ ነው።

የጽህፈት መሳሪያ ጽንሰ-ሀሳብ

ብዙ የክላሲካል የጊዜ ተከታታይ ዘዴዎች - በተለይም የARIMA ቤተሰብ - መረጃው የማይንቀሳቀስ ነው ብለው ያስባሉ። የማይንቀሳቀስ የጊዜ ተከታታይ ማለት የስታቲስቲክስ ባህሪያቱ (እንደ አማካኝ እና ልዩነት ያሉ) በጊዜ ሂደት በአንጻራዊነት የማይለዋወጡ ናቸው ማለት ነው፣ እና ራስ-ሰር ትስስር የሚወሰነው በጊዜ መዘግየት ላይ ብቻ ነው፣ በፍፁም ጊዜ ላይ አይደለም።

መረጃው ጠንካራ አዝማሚያ ወይም ግልጽ የሆነ ወቅታዊነት ካሳየ፣ አብዛኛውን ጊዜ ቋሚ አይደለም። ቋሚ ለማድረግ፣ ተንታኞች ብዙውን ጊዜ ልዩነትን ለማረጋጋት እንደ ልዩነት (በወቅቶች መካከል ያለውን ልዩነት በመውሰድ) ወይም የምዝግብ ማስታወሻ ለውጦችን ያሉ ለውጦችን ይጠቀማሉ። እንደ Augmented Dickey-Fuller (ADF) ወይም KPSS ያሉ መደበኛ ፈተናዎች የጽህፈት ባህሪን ለመገምገም ሊረዱ ይችላሉ፣ ምንም እንኳን ትርጓሜያቸው አሁንም የአውድ ግንዛቤ እና የእይታ ምርመራ ጥምረት የሚፈልግ ቢሆንም።

ታዋቂ የጊዜ ተከታታይ ሞዴሎች

1. የሚንቀሳቀስ አማካይ ሞዴል እና ኤክስፖነንሻል ማለስለስ
የማለስለስ ዘዴዎች በአጭር ጊዜ ትንበያ ውስጥ በስፋት ጥቅም ላይ ይውላሉ። የሚንቀሳቀሱ አማካዮች የሚቀጥለውን ጊዜ ለመተንበይ የመጨረሻዎቹን ጥቂት ወቅቶች አማካይ ይወስዳሉ። ኤክስፖኔሽናል ማለስለስ በቅርብ ጊዜ ለተደረጉ ምልከታዎች የበለጠ ክብደት ይሰጣል። እንደ ሲምፕል ኤክስፖኔሽናል ማለስለስ ያሉ ዘዴዎች ለወቅታዊ መረጃ አዝማሚያ ለሌላቸው እና ለወቅታዊ መረጃዎች ተስማሚ ናቸው፣ የሆልት ዘዴ ደግሞ አዝማሚያዎችን ያስተዳድራል፣ የሆልት-ዊንተርስ አዝማሚያዎችን እና ወቅታዊነትን ያስተዳድራል።

የማለስለስ ዘዴዎች ጥቅሞች ቀላል፣ ፈጣን እና ብዙውን ጊዜ ለኦፕሬሽን ዓላማዎች በጥሩ ሁኔታ የሚሰሩ መሆናቸው ነው። ሆኖም ግን፣ ሁልጊዜ የራስ-ሰር ትስስር መዋቅርን በጥልቀት አይተረጉሙም።

2. AR፣ MA እና ARIMA
የራስ-ሰር-ሪግሬሲቭ (AR) ሞዴል የአሁኑ እሴቶች በቀድሞ እሴቶች ላይ የተመሰረቱ መሆናቸውን ይገልጻል። የሚንቀሳቀስ አማካይ (MA) ሞዴል የአሁኑ እሴቶች በቀድሞ ስህተቶች ተጽዕኖ እንደሚያሳድሩ ይገልጻል። የሁለቱ ጥምረት ARMA ይባላል፣ እና ውሂብ ቋሚ እንዲሆን ልዩነት ሲያስፈልግ፣ ሞዴሉ ARIMA (Autoregressive Integrated Moving Average) ይሆናል። ARIMA እንደ ARIMA(p፣ d፣ q) ይጻፋል፣ p የAR ቅደም ተከተል፣ d የልዩነት ቅደም ተከተል እና q የMA ቅደም ተከተል ነው።

የፓራሜትር ምርጫ ብዙውን ጊዜ በACF/PACF እና እንደ AIC ወይም BIC ባሉ የመረጃ መስፈርቶች ይደገፋል። ARIMA በተለዋዋጭነቱ እና በጠንካራ የቲዎሬቲካል መሰረት ምክንያት በኢኮኖሚ እና በንግድ ትንበያ ውስጥ ለረጅም ጊዜ መስፈርት ሆኖ ቆይቷል።

3. ለወቅታዊ ሳሪማ
መረጃው ግልጽ የሆነ ወቅታዊነት ካለው - ለምሳሌ፣ ወርሃዊ ዓመት ንድፍ - የARIMA ሞዴል ወደ SARIMA (ወቅታዊ ARIMA) ይዘልቃል። ይህ ሞዴል ለተወሰነ ወቅታዊ ጊዜ (ለምሳሌ፣ ለወርሃዊ መረጃ 12) የAR፣ የልዩነት እና የMA መለኪያዎችን ጨምሮ ወቅታዊ አካልን ይጨምራል። SARIMA እንደ በወር የቱሪስቶች ብዛት፣ በየቀኑ የሚለዋወጥ የኤሌክትሪክ ፍጆታ ወይም ወቅታዊ የምርት ፍላጎት ላሉ መረጃዎች ውጤታማ ነው።

4. ለብዙ ተለዋዋጭነት VAR
በብዙ አጋጣሚዎች፣ እንደ የዋጋ ግሽበት፣ የወለድ ተመኖች እና የምንዛሬ ተመኖች ያሉ ከአንድ በላይ የጊዜ ቅደም ተከተሎችን በአንድ ጊዜ እንመረምራለን። የቬክተር አውቶሬግሬሽን (VAR) እያንዳንዱ ተለዋዋጭ በራሱ የቀድሞ እሴቶች እና ሌሎች ተለዋዋጮች ተጽዕኖ እንዲያሳድር ያስችለዋል። VAR በኢኮኖሚክስ ውስጥ በስፋት ጥቅም ላይ የሚውለው የስርዓት ተለዋዋጭነትን እና የድንጋጤዎችን ተፅእኖ በ pulse response analysis በኩል ለማጥናት ነው።

5. የተለዋዋጭነት ሞዴል፡ ARCH/GARCH
በፋይናንሺያል መረጃ ውስጥ፣ ተለዋዋጭነት ብዙውን ጊዜ በክላስተር ውስጥ ይከሰታል፡- የመረጋጋት ጊዜያት እና ከዚያም ከፍተኛ ተለዋዋጭነት ያላቸው ጊዜያት ይከተላሉ። የARCH እና GARCH ሞዴሎች የተነደፉት በጊዜ ሂደት የሚለዋወጥ ልዩነትን ለመምሰል ነው። እነዚህ ሞዴሎች በአደጋ አስተዳደር፣ በንብረት ግምገማ እና በገበያ እርግጠኛ አለመሆን ረገድ አስፈላጊ ናቸው።

የሞዴል ግምገማ እና የትንበያ ትክክለኛነት

አንድ ሞዴል አንዴ ከተመረጠ፣ በቂነቱን መገምገም አለብን። ቅሪቶቹ (በእውነተኛው እና በተነበየው መረጃ መካከል ያለው ልዩነት) የዘፈቀደ ድምፅ ሊመስሉ ይገባል፡ ያልተስተካከለ፣ በራስ-ሰር ያልተያያዘ እና በአንጻራዊነት የተረጋጋ ልዩነት ሊኖራቸው ይገባል። የLjung-Box ሙከራ ብዙውን ጊዜ የቀረውን ራስ-ሰር ትስስር ለመፈተሽ ይጠቅማል።

የትንበያ ጥራትን ለመለካት እንደ MAE (አማካኝ ፍፁም ስህተት)፣ RMSE (የስር አማካይ ስኩዌርድ ስህተት) እና MAPE (አማካኝ ፍፁም መቶኛ ስህተት) ያሉ መለኪያዎች ጥቅም ላይ ይውላሉ። ጥሩ ልምምድ ውሂቡን በዘፈቀደ ክፍፍል ሳይሆን በጊዜ (በጊዜ ላይ የተመሠረተ ክፍፍል) ላይ ተመስርቶ በስልጠና እና በሙከራ መረጃ መከፋፈል ነው፣ በዚህም ግምገማው ትክክለኛውን የትንበያ ሁኔታዎች ያንፀባርቃል።

በጊዜ ተከታታይ ውስጥ የተለመዱ ተግዳሮቶች

የጊዜ ተከታታይ ትንተና ብዙውን ጊዜ እንደ የውሂብ መጥፋት፣ የመለኪያ ፍቺዎች ለውጦች፣ እጅግ በጣም የተጋነኑ ነገሮች እና የመዋቅር መቆራረጦች ያሉ ተግዳሮቶችን ያጋጥመዋል። ለምሳሌ፣ ወረርሽኝ የፍጆታ ቅጦችን በከፍተኛ ሁኔታ ሊለውጥ ይችላል፣ ይህም ከወረርሽኝ በፊት በነበሩት ጊዜያት የሰለጠኑ ሞዴሎችን ትክክለኛ ያደርጋቸዋል። በእንደዚህ ዓይነት ሁኔታዎች የሞዴል ዝመናዎች፣ የውጭ ተለዋዋጮችን መጠቀም ወይም የበለጠ ተለዋዋጭ አቀራረብ አስፈላጊ ሊሆን ይችላል።

በተጨማሪም፣ የውሂብ የጊዜ ጥራት እና የጊዜ ርዝመት ጥቅም ላይ ሊውሉ የሚችሉ ዘዴዎችን በእጅጉ ይነካል። ከፍተኛ ድግግሞሽ ያለው መረጃ (ለምሳሌ፣ በደቂቃ) የድምፅ እና የስሌት ልዩ አያያዝን የሚፈልግ ሲሆን፣ ዓመታዊ መረጃ ደግሞ ወቅታዊነትን በጠንካራ ሁኔታ ለመለየት በጣም አጭር ሊሆን ይችላል።

መዝጊያ

በስታቲስቲክስ ውስጥ የጊዜ ተከታታይ ትንተና በጊዜ ሂደት የሚለዋወጥ መረጃን ለመረዳት የሚያስችል ሰፊ ማዕቀፍ ይሰጣል። አዝማሚያን፣ ወቅታዊነትን እና ራስ-ሰር ትስስር ክፍሎችን በመለየት እና ትክክለኛውን ሞዴል በመምረጥ - ከኤክስፖኔንታል ማለስለስ እስከ ARIMA፣ VAR እና GARCH - የበለጠ ትክክለኛ ትንበያዎችን መገንባት እና የበለጠ ጥልቅ ግንዛቤዎችን ማግኘት እንችላለን። ሆኖም፣ ስኬታማ ትንተና የሚወሰነው በቴክኒክ ላይ ብቻ ሳይሆን አውድ፣ የውሂብ ጥራት እና ጥብቅ ግምገማን በመረዳት ላይ ነው። በእውነተኛ ጊዜ መረጃ ላይ እየጨመረ በሚሄድ ዓለም ውስጥ የጊዜ ተከታታይን የመተንተን ችሎታ ለተመራማሪዎችም ሆነ ለባለሙያዎች በጣም አስፈላጊ ክህሎት እየሆነ መጥቷል።