Analisi di Serie Temporali in Statistica
L'analisi di serie temporali hè una branca di a statistica chì studia i dati raccolti sequenzialmente in u tempu, cum'è ogni ghjornu, settimanalmente, mensilmente o annualmente. À u cuntrariu di i dati trasversali, chì sò raccolti in un unicu puntu in u tempu, l'analisi di serie temporali mette in risaltu a dinamica di u cambiamentu è i mudelli chì si sviluppanu in u tempu. Siccomu parechje decisioni impurtanti - in ecunumia, affari, salute publica, energia è ancu clima - dipendenu da a comprensione di e tendenze passate è da a previsione di quelle future, l'analisi di serie temporali hè un strumentu cruciale in a ricerca è in a pratica.
Caratteristiche di i dati di serie temporali
A caratteristica principale di una serie temporale hè chì hà una sequenza chì ùn pò esse mischiata senza perde informazioni impurtanti. U valore d'oghje hè generalmente ligatu à u valore d'eri, è u valore di stu mese pò esse influenzatu da mudelli annuali. Sta dipendenza intertempurale hè chjamata autocorrelazione. Inoltre, e serie temporali presentanu spessu cumpunenti cum'è tendenze (movimenti à longu andà), stagionalità (mudelli ricorrenti in u tempu), cicli (onde à intermediu andà chì ùn sò micca sempre regulare) è rumore o errori aleatorii.
Per esempiu, e vendite al dettaglio tendenu à cresce intornu à e vacanze (stagionale), ma ponu ancu cresce pianu pianu d'annu in annu per via di a crescita ecunomica (tendenza). E fluttuazioni dovute à eventi imprevisti - cum'è l'interruzioni di l'approvvigionamentu o i cambiamenti di pulitica - rientranu in a cumpunente aleatoria.
Scopu di l'analisi di serie temporali
In generale, l'analisi di serie temporali hà parechji obiettivi principali. Prima, descrive i mudelli di dati in modu concisu è informativu, per esempiu separendu e tendenze da a stagionalità. Siconda, spiega i meccanismi di furmazione di dati attraversu mudelli statistici, chì ci permettenu di capisce i prucessi daretu à i cambiamenti di valori in u tempu. Terzu, face previsioni, chì stimanu i valori futuri basati nantu à mudelli storichi. Quartu, rileva anomalie o cambiamenti strutturali, cum'è crisi ecunomiche, cambiamenti in u cumpurtamentu di u mercatu, o strumenti di misurazione malfunzionanti chì causanu deviazioni di dati.
Primi Passi: Visualizazione è Esplorazione
Un passu iniziale cumunu hè di traccià i dati in funzione di u tempu. E visualizazioni simplici rivelanu spessu tendenze ascendente o discendente, mudelli stagiunali è valori anomali. L'analisi statistica preliminare hè tandu realizata, cum'è u calculu di una media mobile per appianà e fluttuazioni à cortu termine o l'usu di a decomposizione di serie temporali per separà i cumpunenti di tendenza, stagiunali è residuali.
Oltre à i grafici, dui strumenti impurtanti in l'esplorazione di serie temporali sò a funzione di autocorrelazione (ACF) è a funzione di autocorrelazione parziale (PACF). L'ACF mostra quantu hè forte a relazione trà u valore attuale è i valori à diversi ritardi (per esempiu, 1 ghjornu prima, 2 ghjorni prima, ecc.). U PACF aiuta à identificà l'influenza diretta di un ritardu dopu avè cuntrullatu l'influenza di ritardi più chjuchi. L'infurmazioni da l'ACF è u PACF sò assai utili per selezziunà u mudellu ghjustu.
U cuncettu di stazionarietà
Parechji metudi classici di serie temporali - in particulare a famiglia ARIMA - supponenu chì i dati sianu stazionarii. Una serie temporale stazionaria significa chì e so proprietà statistiche (cum'è a media è a varianza) sò relativamente custanti in u tempu, è chì l'autocorrelazione dipende solu da u ritardu di tempu, micca da u tempu assulutu.
Sè i dati mostranu una forte tendenza o una stagionalità chjara, di solitu ùn sò micca stazionarii. Per rende li stazionarii, l'analisti utilizanu spessu trasfurmazioni cum'è a differenziazione (pigliendu a differenza trà i periodi) o trasfurmazioni logaritmiche per stabilizà a varianza. I testi formali cum'è l'Augmented Dickey-Fuller (ADF) o KPSS ponu aiutà à valutà a stazionarietà, ancu s'è a so interpretazione richiede sempre una cumbinazione di capiscitura cuntestuale è ispezione visuale.
Modelli di serie temporali populari
1. Modellu di media mobile è lisciatura esponenziale
I metudi di smoothing sò largamente usati in e previsioni à cortu termine. E medie mobili piglianu a media di l'ultimi periodi per predisce u prossimu periodu. U smoothing esponenziale dà un pesu più grande à l'osservazioni più recenti. I metudi cum'è u smoothing esponenziale simplice sò adatti per i dati senza tendenza è stagionali, mentre chì u metudu di Holt gestisce e tendenze, è Holt-Winters gestisce sia e tendenze sia a stagionalità.
I vantaghji di i metudi di smoothing sò chì sò simplici, veloci, è spessu funzionanu bè per scopi operativi. Tuttavia, ùn furniscenu micca sempre una interpretazione cumpleta di a struttura di autocorrelazione.
2. AR, MA, è ARIMA
U mudellu autoregressivu (AR) afferma chì i valori attuali dipendenu da i valori passati. U mudellu di media mobile (MA) afferma chì i valori attuali sò influenzati da errori passati. A cumbinazione di i dui hè chjamata ARMA, è quandu i dati devenu esse differenziati per rende li stazionarii, u mudellu diventa ARIMA (Autoregressive Integrated Moving Average). ARIMA hè scrittu cum'è ARIMA (p, d, q), induve p hè l'ordine di AR, d hè l'ordine di differenziazione, è q hè l'ordine di MA.
A selezzione di i parametri hè generalmente aiutata da l'ACF/PACF è da criteri d'infurmazione cum'è AIC o BIC. ARIMA hè stata dapoi longu un standard in e previsioni ecunomiche è cummerciale per via di a so flessibilità è di a so solida basa teorica.
3. SARIMA per Stagionale
Sè i dati anu una stagionalità chjara - per esempiu, un mudellu mensile-annuale - u mudellu ARIMA hè allargatu à SARIMA (ARIMA stagionale). Stu mudellu aghjusta una cumpunente stagionale, cumprese i parametri AR, differenziazione è MA per un periodu stagionale specificu (per esempiu, 12 per i dati mensili). SARIMA hè efficace per dati cum'è u numeru di turisti per mese, u cunsumu orariu di elettricità cù un mudellu cutidianu, o a dumanda di prudutti stagionali.
4. VAR per Multivariate
In parechji casi, analizemu più di una serie temporale simultaneamente, cum'è l'inflazione, i tassi d'interessu è i tassi di scambiu. L'autoregressione vettoriale (VAR) permette à ogni variabile d'esse influenzata da i so valori passati è da altre variabili. U VAR hè largamente utilizatu in econometria per studià a dinamica di u sistema è l'effetti di i scossa per mezu di l'analisi di a risposta à l'impulsu.
5. Modellu di volatilità: ARCH/GARCH
In i dati finanziarii, a volatilità si verifica spessu in gruppi: periodi di calma seguitati da periodi di alta volatilità. I mudelli ARCH è GARCH sò cuncepiti per modellà a varianza chì cambia cù u tempu. Quessi mudelli sò impurtanti in a gestione di u risicu, a valutazione di l'attività è a misurazione di l'incertezza di u mercatu.
Valutazione di u mudellu è precisione di previsione
Una volta chì un mudellu hè statu sceltu, ci vole à valutà a so adeguatezza. I residui (a differenza trà i dati attuali è quelli previsti) devenu esse simile à un rumore aleatoriu: senza schema, senza autocorrelazione, è avè una varianza relativamente stabile. U test di Ljung-Box hè spessu adupratu per verificà l'autocorrelazione residuale.
Per misurà a qualità di e previsioni, si utilizanu metriche cum'è MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) è MAPE (Mean Absolute Percentage Error). Una bona pratica hè di dividisce i dati in dati di furmazione è di prova basati annantu à u tempu (divisione basata annantu à u tempu), invece di una divisione aleatoria, in modu chì a valutazione rifletta e cundizioni di previsione effettive.
Sfide cumuni in e serie temporali
L'analisi di serie temporali si trova spessu di fronte à sfide cum'è dati mancanti, cambiamenti in e definizioni di misurazione, valori anomali estremi è interruzioni strutturali. Per esempiu, una pandemia pò alterà drasticamente i mudelli di cunsumu, rendendu i mudelli furmati in periodi pre-pandemichi menu accurati. In tali situazioni, ponu esse necessarii l'aghjurnamenti di u mudellu, l'usu di variabili esogene, o un approcciu più adattivu.
Inoltre, a risoluzione temporale è a lunghezza di i dati influenzanu significativamente i metudi chì ponu esse aduprati. I dati d'alta frequenza (per esempiu, per minutu) richiedenu una gestione particulare di u rumore è di u calculu, mentre chì i dati annuali ponu esse troppu corti per identificà in modu robustu a stagionalità.
Penutup
L'analisi di serie temporali in statistica furnisce un quadru riccu per capisce i dati chì evolvunu cù u tempu. Riconoscendu i cumpunenti di tendenza, stagionalità è autocorrelazione, è selezziunendu u mudellu ghjustu - da a lisciatura esponenziale à ARIMA, VAR è GARCH - pudemu custruisce previsioni più precise è ottene insights più nitidi. Tuttavia, un'analisi riescita dipende micca solu da a tecnica, ma ancu da a comprensione di u cuntestu, a qualità di i dati è una valutazione rigorosa. In un mondu sempre più dipendente da dati in tempu reale, a capacità di analizà serie temporali diventa una cumpetenza sempre più impurtante sia per i circadori sia per i praticanti.
