ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆ

ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಸಮಯ ಸರಣಿ ವಿಶ್ಲೇಷಣೆ

ಸಮಯ ಸರಣಿ ವಿಶ್ಲೇಷಣೆಯು ಅಂಕಿಅಂಶಗಳ ಒಂದು ಶಾಖೆಯಾಗಿದ್ದು, ಇದು ದೈನಂದಿನ, ಸಾಪ್ತಾಹಿಕ, ಮಾಸಿಕ ಅಥವಾ ವಾರ್ಷಿಕವಾಗಿ ಕಾಲಾನಂತರದಲ್ಲಿ ಅನುಕ್ರಮವಾಗಿ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಅಧ್ಯಯನ ಮಾಡುತ್ತದೆ. ಒಂದೇ ಸಮಯದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾದ ಅಡ್ಡ-ವಿಭಾಗದ ದತ್ತಾಂಶಕ್ಕಿಂತ ಭಿನ್ನವಾಗಿ, ಸಮಯ ಸರಣಿ ವಿಶ್ಲೇಷಣೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುವ ಬದಲಾವಣೆ ಮತ್ತು ಮಾದರಿಗಳ ಚಲನಶೀಲತೆಯನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ. ಅರ್ಥಶಾಸ್ತ್ರ, ವ್ಯವಹಾರ, ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ, ಇಂಧನ ಮತ್ತು ಹವಾಮಾನದಲ್ಲಿಯೂ ಸಹ ಅನೇಕ ಪ್ರಮುಖ ನಿರ್ಧಾರಗಳು ಹಿಂದಿನ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಭವಿಷ್ಯದ ಮುನ್ಸೂಚನೆಯನ್ನು ಅವಲಂಬಿಸಿರುವುದರಿಂದ, ಸಮಯ ಸರಣಿ ವಿಶ್ಲೇಷಣೆಯು ಸಂಶೋಧನೆ ಮತ್ತು ಅಭ್ಯಾಸದಲ್ಲಿ ನಿರ್ಣಾಯಕ ಸಾಧನವಾಗಿದೆ.

ಸಮಯ ಸರಣಿ ದತ್ತಾಂಶದ ಗುಣಲಕ್ಷಣಗಳು

ಸಮಯ ಸರಣಿಯ ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ಅದು ಪ್ರಮುಖ ಮಾಹಿತಿಯನ್ನು ಕಳೆದುಕೊಳ್ಳದೆ ಬದಲಾಯಿಸಲಾಗದ ಅನುಕ್ರಮವನ್ನು ಹೊಂದಿದೆ. ಇಂದಿನ ಮೌಲ್ಯವು ಸಾಮಾನ್ಯವಾಗಿ ನಿನ್ನೆಯ ಮೌಲ್ಯಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ ಮತ್ತು ಈ ತಿಂಗಳ ಮೌಲ್ಯವು ವಾರ್ಷಿಕ ಮಾದರಿಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿರುತ್ತದೆ. ಈ ಮಧ್ಯಂತರ ಅವಲಂಬನೆಯನ್ನು ಸ್ವಯಂ ಪರಸ್ಪರ ಸಂಬಂಧ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇದಲ್ಲದೆ, ಸಮಯ ಸರಣಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರವೃತ್ತಿಗಳು (ದೀರ್ಘಕಾಲೀನ ಚಲನೆಗಳು), ಋತುಮಾನ (ಕಾಲಾನಂತರದಲ್ಲಿ ಪುನರಾವರ್ತಿತ ಮಾದರಿಗಳು), ಚಕ್ರಗಳು (ಯಾವಾಗಲೂ ನಿಯಮಿತವಾಗಿರದ ಮಧ್ಯಂತರ-ಅವಧಿಯ ಅಲೆಗಳು) ಮತ್ತು ಶಬ್ದ ಅಥವಾ ಯಾದೃಚ್ಛಿಕ ದೋಷಗಳಂತಹ ಅಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ.

ಉದಾಹರಣೆಗೆ, ಚಿಲ್ಲರೆ ಮಾರಾಟವು ರಜಾದಿನಗಳಲ್ಲಿ (ಋತುಮಾನದ ಸಮಯದಲ್ಲಿ) ಹೆಚ್ಚಾಗುತ್ತದೆ, ಆದರೆ ಆರ್ಥಿಕ ಬೆಳವಣಿಗೆ (ಟ್ರೆಂಡ್) ಕಾರಣದಿಂದಾಗಿ ಅವು ವರ್ಷದಿಂದ ವರ್ಷಕ್ಕೆ ನಿಧಾನವಾಗಿ ಹೆಚ್ಚಾಗಬಹುದು. ಪೂರೈಕೆ ಅಡಚಣೆಗಳು ಅಥವಾ ನೀತಿ ಬದಲಾವಣೆಗಳಂತಹ ಅನಿರೀಕ್ಷಿತ ಘಟನೆಗಳಿಂದ ಉಂಟಾಗುವ ಏರಿಳಿತಗಳು ಯಾದೃಚ್ಛಿಕ ಅಂಶದ ಅಡಿಯಲ್ಲಿ ಬರುತ್ತವೆ.

ಸಮಯ ಸರಣಿ ವಿಶ್ಲೇಷಣೆಯ ಉದ್ದೇಶ

ಸಾಮಾನ್ಯವಾಗಿ, ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯು ಹಲವಾರು ಮುಖ್ಯ ಉದ್ದೇಶಗಳನ್ನು ಹೊಂದಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಇದು ದತ್ತಾಂಶ ಮಾದರಿಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಮತ್ತು ಮಾಹಿತಿಯುಕ್ತವಾಗಿ ವಿವರಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಋತುಮಾನದಿಂದ ಬೇರ್ಪಡಿಸುವ ಮೂಲಕ. ಎರಡನೆಯದಾಗಿ, ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಾದರಿಗಳ ಮೂಲಕ ದತ್ತಾಂಶ ರಚನೆಯ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಕಾಲಾನಂತರದಲ್ಲಿ ಮೌಲ್ಯಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳ ಹಿಂದಿನ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಮೂರನೆಯದಾಗಿ, ಇದು ಮುನ್ಸೂಚನೆ ನೀಡುತ್ತದೆ, ಇದು ಐತಿಹಾಸಿಕ ಮಾದರಿಗಳ ಆಧಾರದ ಮೇಲೆ ಭವಿಷ್ಯದ ಮೌಲ್ಯಗಳನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ. ನಾಲ್ಕನೆಯದಾಗಿ, ಇದು ಆರ್ಥಿಕ ಬಿಕ್ಕಟ್ಟುಗಳು, ಮಾರುಕಟ್ಟೆ ನಡವಳಿಕೆಯಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ಅಥವಾ ದತ್ತಾಂಶ ವಿಚಲನಗಳಿಗೆ ಕಾರಣವಾಗುವ ಅಳತೆ ಉಪಕರಣಗಳ ಅಸಮರ್ಪಕ ಕಾರ್ಯದಂತಹ ವೈಪರೀತ್ಯಗಳು ಅಥವಾ ರಚನಾತ್ಮಕ ಬದಲಾವಣೆಗಳನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ.

ಮೊದಲ ಹಂತಗಳು: ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಪರಿಶೋಧನೆ

ಸಮಯದ ವಿರುದ್ಧ ದತ್ತಾಂಶವನ್ನು ರೂಪಿಸುವುದು ಸಾಮಾನ್ಯ ಆರಂಭಿಕ ಹಂತವಾಗಿದೆ. ಸರಳ ದೃಶ್ಯೀಕರಣಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಮೇಲ್ಮುಖ ಅಥವಾ ಕೆಳಮುಖ ಪ್ರವೃತ್ತಿಗಳು, ಕಾಲೋಚಿತ ಮಾದರಿಗಳು ಮತ್ತು ಹೊರವಲಯಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ. ನಂತರ ಪ್ರಾಥಮಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಅಲ್ಪಾವಧಿಯ ಏರಿಳಿತಗಳನ್ನು ಸುಗಮಗೊಳಿಸಲು ಚಲಿಸುವ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಅಥವಾ ಪ್ರವೃತ್ತಿ, ಕಾಲೋಚಿತ ಮತ್ತು ಉಳಿಕೆ ಘಟಕಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಮಯ ಸರಣಿಯ ವಿಭಜನೆಯನ್ನು ಬಳಸುವುದು.

ಪ್ಲಾಟ್‌ಗಳ ಜೊತೆಗೆ, ಸಮಯ ಸರಣಿ ಪರಿಶೋಧನೆಯಲ್ಲಿ ಎರಡು ಪ್ರಮುಖ ಸಾಧನಗಳೆಂದರೆ ಸ್ವಯಂ-ಸಂಬಂಧ ಕಾರ್ಯ (ACF) ಮತ್ತು ಭಾಗಶಃ ಸ್ವಯಂ-ಸಂಬಂಧ ಕಾರ್ಯ (PACF). ವಿವಿಧ ಮಂದಗತಿಗಳಲ್ಲಿ (ಉದಾ. 1 ದಿನ ಮೊದಲು, 2 ದಿನಗಳ ಮೊದಲು, ಇತ್ಯಾದಿ) ಪ್ರಸ್ತುತ ಮೌಲ್ಯ ಮತ್ತು ಮೌಲ್ಯಗಳ ನಡುವಿನ ಸಂಬಂಧ ಎಷ್ಟು ಪ್ರಬಲವಾಗಿದೆ ಎಂಬುದನ್ನು ACF ತೋರಿಸುತ್ತದೆ. ಸಣ್ಣ ಮಂದಗತಿಗಳ ಪ್ರಭಾವವನ್ನು ನಿಯಂತ್ರಿಸಿದ ನಂತರ ಮಂದಗತಿಯ ನೇರ ಪ್ರಭಾವವನ್ನು ಗುರುತಿಸಲು PACF ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಸರಿಯಾದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ACF ಮತ್ತು PACF ನಿಂದ ಮಾಹಿತಿಯು ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ.

ಸ್ಥಿರತೆಯ ಪರಿಕಲ್ಪನೆ

ಅನೇಕ ಶಾಸ್ತ್ರೀಯ ಸಮಯ ಸರಣಿ ವಿಧಾನಗಳು - ವಿಶೇಷವಾಗಿ ARIMA ಕುಟುಂಬ - ದತ್ತಾಂಶವು ಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಊಹಿಸುತ್ತವೆ. ಸ್ಥಿರ ಸಮಯ ಸರಣಿ ಎಂದರೆ ಅದರ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಗುಣಲಕ್ಷಣಗಳು (ಸರಾಸರಿ ಮತ್ತು ವ್ಯತ್ಯಾಸದಂತಹವು) ಕಾಲಾನಂತರದಲ್ಲಿ ತುಲನಾತ್ಮಕವಾಗಿ ಸ್ಥಿರವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸ್ವಯಂ ಪರಸ್ಪರ ಸಂಬಂಧವು ಸಮಯದ ವಿಳಂಬವನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿರುತ್ತದೆ, ಸಂಪೂರ್ಣ ಸಮಯದ ಮೇಲೆ ಅಲ್ಲ.

ದತ್ತಾಂಶವು ಬಲವಾದ ಪ್ರವೃತ್ತಿ ಅಥವಾ ಸ್ಪಷ್ಟ ಋತುಮಾನವನ್ನು ಪ್ರದರ್ಶಿಸಿದರೆ, ಅದು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಥಿರವಾಗಿರುವುದಿಲ್ಲ. ಅದನ್ನು ಸ್ಥಿರಗೊಳಿಸಲು, ವಿಶ್ಲೇಷಕರು ಹೆಚ್ಚಾಗಿ ವ್ಯತ್ಯಾಸವನ್ನು (ಅವಧಿಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು) ಅಥವಾ ವ್ಯತ್ಯಾಸವನ್ನು ಸ್ಥಿರಗೊಳಿಸಲು ಲಾಗ್ ರೂಪಾಂತರಗಳಂತಹ ರೂಪಾಂತರಗಳನ್ನು ಬಳಸುತ್ತಾರೆ. ವರ್ಧಿತ ಡಿಕಿ-ಫುಲ್ಲರ್ (ADF) ಅಥವಾ KPSS ನಂತಹ ಔಪಚಾರಿಕ ಪರೀಕ್ಷೆಗಳು ಸ್ಥಿರತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಸಹಾಯ ಮಾಡಬಹುದು, ಆದರೂ ಅವುಗಳ ವ್ಯಾಖ್ಯಾನವು ಇನ್ನೂ ಸಂದರ್ಭೋಚಿತ ತಿಳುವಳಿಕೆ ಮತ್ತು ದೃಶ್ಯ ಪರಿಶೀಲನೆಯ ಸಂಯೋಜನೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಜನಪ್ರಿಯ ಸಮಯ ಸರಣಿ ಮಾದರಿಗಳು

1. ಚಲಿಸುವ ಸರಾಸರಿ ಮಾದರಿ ಮತ್ತು ಘಾತೀಯ ಸುಗಮಗೊಳಿಸುವಿಕೆ
ಅಲ್ಪಾವಧಿಯ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಸುಗಮಗೊಳಿಸುವ ವಿಧಾನಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಮುಂದಿನ ಅವಧಿಯನ್ನು ಊಹಿಸಲು ಚಲಿಸುವ ಸರಾಸರಿಗಳು ಕಳೆದ ಕೆಲವು ಅವಧಿಗಳ ಸರಾಸರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ. ಘಾತೀಯ ಸುಗಮಗೊಳಿಸುವಿಕೆಯು ಇತ್ತೀಚಿನ ಅವಲೋಕನಗಳಿಗೆ ಹೆಚ್ಚಿನ ತೂಕವನ್ನು ನೀಡುತ್ತದೆ. ಸರಳ ಘಾತೀಯ ಸುಗಮಗೊಳಿಸುವಿಕೆಯಂತಹ ವಿಧಾನಗಳು ಪ್ರವೃತ್ತಿಯಿಲ್ಲದ ಮತ್ತು ಕಾಲೋಚಿತ ದತ್ತಾಂಶಗಳಿಗೆ ಸೂಕ್ತವಾಗಿವೆ, ಆದರೆ ಹೋಲ್ಟ್ ವಿಧಾನವು ಪ್ರವೃತ್ತಿಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಹೋಲ್ಟ್-ವಿಂಟರ್ಸ್ ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಕಾಲೋಚಿತತೆ ಎರಡನ್ನೂ ನಿರ್ವಹಿಸುತ್ತದೆ.

ಸರಾಗಗೊಳಿಸುವ ವಿಧಾನಗಳ ಅನುಕೂಲಗಳೆಂದರೆ ಅವು ಸರಳ, ವೇಗವಾಗಿರುತ್ತವೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಕಾರ್ಯಾಚರಣೆಯ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಅವು ಯಾವಾಗಲೂ ಸ್ವಯಂ ಪರಸ್ಪರ ಸಂಬಂಧದ ರಚನೆಯ ಸಂಪೂರ್ಣ ವ್ಯಾಖ್ಯಾನವನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ.

2. AR, MA, ಮತ್ತು ARIMA
ಆಟೋರಿಗ್ರೆಸಿವ್ (AR) ಮಾದರಿಯು ಪ್ರಸ್ತುತ ಮೌಲ್ಯಗಳು ಹಿಂದಿನ ಮೌಲ್ಯಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಚಲಿಸುವ ಸರಾಸರಿ (MA) ಮಾದರಿಯು ಪ್ರಸ್ತುತ ಮೌಲ್ಯಗಳು ಹಿಂದಿನ ದೋಷಗಳಿಂದ ಪ್ರಭಾವಿತವಾಗಿವೆ ಎಂದು ಹೇಳುತ್ತದೆ. ಇವೆರಡರ ಸಂಯೋಜನೆಯನ್ನು ARMA ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಮತ್ತು ಡೇಟಾವನ್ನು ಸ್ಥಿರವಾಗಿಸಲು ವ್ಯತ್ಯಾಸ ಮಾಡಬೇಕಾದಾಗ, ಮಾದರಿಯು ARIMA (ಆಟೋರಿಗ್ರೆಸಿವ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಮೂವಿಂಗ್ ಆವರೇಜ್) ಆಗುತ್ತದೆ. ARIMA ಅನ್ನು ARIMA(p, d, q) ಎಂದು ಬರೆಯಲಾಗುತ್ತದೆ, ಇಲ್ಲಿ p ಎಂಬುದು AR ನ ಕ್ರಮ, d ಎಂಬುದು ವ್ಯತ್ಯಾಸದ ಕ್ರಮ ಮತ್ತು q ಎಂಬುದು MA ನ ಕ್ರಮ.

ನಿಯತಾಂಕ ಆಯ್ಕೆಯು ಸಾಮಾನ್ಯವಾಗಿ ACF/PACF ಮತ್ತು AIC ಅಥವಾ BIC ನಂತಹ ಮಾಹಿತಿ ಮಾನದಂಡಗಳಿಂದ ಸಹಾಯ ಮಾಡಲ್ಪಡುತ್ತದೆ. ARIMA ತನ್ನ ನಮ್ಯತೆ ಮತ್ತು ಬಲವಾದ ಸೈದ್ಧಾಂತಿಕ ಅಡಿಪಾಯದಿಂದಾಗಿ ಆರ್ಥಿಕ ಮತ್ತು ವ್ಯವಹಾರ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಬಹಳ ಹಿಂದಿನಿಂದಲೂ ಮಾನದಂಡವಾಗಿದೆ.

3. ಸೀಸನಲ್‌ಗಾಗಿ SARIMA
ದತ್ತಾಂಶವು ಸ್ಪಷ್ಟವಾದ ಋತುಮಾನವನ್ನು ಹೊಂದಿದ್ದರೆ - ಉದಾಹರಣೆಗೆ, ಮಾಸಿಕ-ವರ್ಷದ ಮಾದರಿ - ARIMA ಮಾದರಿಯನ್ನು SARIMA (ಋತುಮಾನದ ARIMA) ಗೆ ವಿಸ್ತರಿಸಲಾಗುತ್ತದೆ. ಈ ಮಾದರಿಯು ನಿರ್ದಿಷ್ಟ ಋತುಮಾನದ ಅವಧಿಗೆ AR, ವ್ಯತ್ಯಾಸ ಮತ್ತು MA ನಿಯತಾಂಕಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಋತುಮಾನದ ಘಟಕವನ್ನು ಸೇರಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಮಾಸಿಕ ದತ್ತಾಂಶಕ್ಕೆ 12). ತಿಂಗಳಿಗೆ ಪ್ರವಾಸಿಗರ ಸಂಖ್ಯೆ, ದೈನಂದಿನ ಮಾದರಿಯೊಂದಿಗೆ ಗಂಟೆಯ ವಿದ್ಯುತ್ ಬಳಕೆ ಅಥವಾ ಋತುಮಾನದ ಉತ್ಪನ್ನ ಬೇಡಿಕೆಯಂತಹ ದತ್ತಾಂಶಗಳಿಗೆ SARIMA ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ.

4. ಮಲ್ಟಿವೇರಿಯೇಟ್‌ಗಾಗಿ VAR
ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಹಣದುಬ್ಬರ, ಬಡ್ಡಿದರಗಳು ಮತ್ತು ವಿನಿಮಯ ದರಗಳಂತಹ ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಮಯ ಸರಣಿಗಳನ್ನು ನಾವು ಏಕಕಾಲದಲ್ಲಿ ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ. ವೆಕ್ಟರ್ ಆಟೋರಿಗ್ರೆಷನ್ (VAR) ಪ್ರತಿಯೊಂದು ವೇರಿಯೇಬಲ್ ಅನ್ನು ತನ್ನದೇ ಆದ ಹಿಂದಿನ ಮೌಲ್ಯಗಳು ಮತ್ತು ಇತರ ವೇರಿಯೇಬಲ್‌ಗಳಿಂದ ಪ್ರಭಾವಿತಗೊಳಿಸಲು ಅನುಮತಿಸುತ್ತದೆ. ಪ್ರಚೋದನೆ ಪ್ರತಿಕ್ರಿಯೆ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಸಿಸ್ಟಮ್ ಡೈನಾಮಿಕ್ಸ್ ಮತ್ತು ಆಘಾತಗಳ ಪರಿಣಾಮಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಲು ಇಕೋನೊಮೆಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿ VAR ಅನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.

5. ಚಂಚಲತೆಯ ಮಾದರಿ: ARCH/GARCH
ಹಣಕಾಸಿನ ದತ್ತಾಂಶದಲ್ಲಿ, ಚಂಚಲತೆಯು ಹೆಚ್ಚಾಗಿ ಸಮೂಹಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ: ಶಾಂತ ಅವಧಿಗಳು ನಂತರ ಹೆಚ್ಚಿನ ಚಂಚಲತೆಯ ಅವಧಿಗಳು. ARCH ಮತ್ತು GARCH ಮಾದರಿಗಳನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗುವ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾದರಿ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಈ ಮಾದರಿಗಳು ಅಪಾಯ ನಿರ್ವಹಣೆ, ಆಸ್ತಿ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮಾರುಕಟ್ಟೆ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಳೆಯುವಲ್ಲಿ ಮುಖ್ಯವಾಗಿವೆ.

ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಮುನ್ಸೂಚನೆ ನಿಖರತೆ

ಒಂದು ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ, ನಾವು ಅದರ ಸಮರ್ಪಕತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕಾಗುತ್ತದೆ. ಅವಶೇಷಗಳು (ವಾಸ್ತವ ಮತ್ತು ಊಹಿಸಲಾದ ದತ್ತಾಂಶದ ನಡುವಿನ ವ್ಯತ್ಯಾಸ) ಯಾದೃಚ್ಛಿಕ ಶಬ್ದವನ್ನು ಹೋಲುತ್ತವೆ: ಮಾದರಿಯಿಲ್ಲದ, ಸ್ವಯಂ-ಸಂಬಂಧವಿಲ್ಲದ ಮತ್ತು ತುಲನಾತ್ಮಕವಾಗಿ ಸ್ಥಿರವಾದ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿರಬೇಕು. ಅವಶೇಷ ಸ್ವಯಂ-ಸಂಬಂಧವನ್ನು ಪರಿಶೀಲಿಸಲು ಲ್ಜಂಗ್-ಬಾಕ್ಸ್ ಪರೀಕ್ಷೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.

ಮುನ್ಸೂಚನೆಯ ಗುಣಮಟ್ಟವನ್ನು ಅಳೆಯಲು, MAE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ), RMSE (ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ), ಮತ್ತು MAPE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ಶೇಕಡಾವಾರು ದೋಷ) ದಂತಹ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಯಾದೃಚ್ಛಿಕ ವಿಭಜನೆಯ ಬದಲು ಸಮಯದ ಆಧಾರದ ಮೇಲೆ (ಸಮಯ ಆಧಾರಿತ ವಿಭಜನೆ) ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ದತ್ತಾಂಶವಾಗಿ ವಿಭಜಿಸುವುದು ಉತ್ತಮ ಅಭ್ಯಾಸವಾಗಿದೆ, ಇದರಿಂದಾಗಿ ಮೌಲ್ಯಮಾಪನವು ನಿಜವಾದ ಮುನ್ಸೂಚನೆಯ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.

ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಸಾಮಾನ್ಯ ಸವಾಲುಗಳು

ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಕಾಣೆಯಾದ ಡೇಟಾ, ಮಾಪನ ವ್ಯಾಖ್ಯಾನಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳು, ವಿಪರೀತ ಹೊರಹರಿವುಗಳು ಮತ್ತು ರಚನಾತ್ಮಕ ವಿರಾಮಗಳಂತಹ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಸಾಂಕ್ರಾಮಿಕವು ಬಳಕೆಯ ಮಾದರಿಗಳನ್ನು ತೀವ್ರವಾಗಿ ಬದಲಾಯಿಸಬಹುದು, ಇದು ಸಾಂಕ್ರಾಮಿಕ ಪೂರ್ವ ಅವಧಿಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳನ್ನು ಕಡಿಮೆ ನಿಖರವಾಗಿಸುತ್ತದೆ. ಅಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಮಾದರಿ ನವೀಕರಣಗಳು, ಬಾಹ್ಯ ಅಸ್ಥಿರಗಳ ಬಳಕೆ ಅಥವಾ ಹೆಚ್ಚು ಹೊಂದಾಣಿಕೆಯ ವಿಧಾನವು ಅಗತ್ಯವಾಗಬಹುದು.

ಇದಲ್ಲದೆ, ಡೇಟಾದ ಸಮಯದ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಉದ್ದವು ಬಳಸಬಹುದಾದ ವಿಧಾನಗಳ ಮೇಲೆ ಗಮನಾರ್ಹವಾಗಿ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ. ಅಧಿಕ-ಆವರ್ತನ ಡೇಟಾ (ಉದಾ., ಪ್ರತಿ ನಿಮಿಷಕ್ಕೆ) ಶಬ್ದ ಮತ್ತು ಲೆಕ್ಕಾಚಾರದ ವಿಶೇಷ ನಿರ್ವಹಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ, ಆದರೆ ವಾರ್ಷಿಕ ಡೇಟಾವು ಋತುಮಾನವನ್ನು ದೃಢವಾಗಿ ಗುರುತಿಸಲು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿರಬಹುದು.

ಪೆನುಟಪ್

ಅಂಕಿಅಂಶಗಳಲ್ಲಿನ ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ವಿಕಸನಗೊಳ್ಳುವ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಶ್ರೀಮಂತ ಚೌಕಟ್ಟನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪ್ರವೃತ್ತಿ, ಋತುಮಾನ ಮತ್ತು ಸ್ವಯಂ-ಸಂಬಂಧದ ಘಟಕಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಮತ್ತು ಘಾತೀಯ ಸುಗಮಗೊಳಿಸುವಿಕೆಯಿಂದ ARIMA, VAR ಮತ್ತು GARCH ವರೆಗೆ ಸರಿಯಾದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ನಾವು ಹೆಚ್ಚು ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು ಮತ್ತು ತೀಕ್ಷ್ಣವಾದ ಒಳನೋಟಗಳನ್ನು ಪಡೆಯಬಹುದು. ಆದಾಗ್ಯೂ, ಯಶಸ್ವಿ ವಿಶ್ಲೇಷಣೆಯು ತಂತ್ರದ ಮೇಲೆ ಮಾತ್ರವಲ್ಲದೆ ಸಂದರ್ಭ, ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಕಠಿಣ ಮೌಲ್ಯಮಾಪನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ನೈಜ-ಸಮಯದ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಅವಲಂಬಿಸಿರುವ ಜಗತ್ತಿನಲ್ಲಿ, ಸಮಯ ಸರಣಿಯನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸಾಮರ್ಥ್ಯವು ಸಂಶೋಧಕರು ಮತ್ತು ವೃತ್ತಿಪರರಿಗೆ ಹೆಚ್ಚು ಮುಖ್ಯವಾದ ಕೌಶಲ್ಯವಾಗುತ್ತಿದೆ.