Статистикадагы убакыт катарларын талдоо
Убакыт катарларын талдоо - бул статистиканын бир тармагы, ал күн сайын, жума сайын, ай сайын же жыл сайын сыяктуу убакыттын өтүшү менен ырааттуу түрдө чогултулган маалыматтарды изилдейт. Убакыттын бир чекитинде чогултулган кесилиш маалыматтардан айырмаланып, убакыт катарларын талдоо убакыттын өтүшү менен өнүгүп жаткан өзгөрүүлөрдүн жана үлгүлөрдүн динамикасын баса белгилейт. Экономика, бизнес, коомдук саламаттыкты сактоо, энергетика жана ал тургай климат жаатындагы көптөгөн маанилүү чечимдер мурунку тенденцияларды түшүнүүгө жана келечектеги тенденцияларды алдын ала айтууга көз каранды болгондуктан, убакыт катарларын талдоо изилдөө жана практикада маанилүү курал болуп саналат.
Убакыт катарларынын маалыматтарынын мүнөздөмөлөрү
Убакыттык катардын негизги өзгөчөлүгү - анын маанилүү маалыматты жоготпостон аралаштырууга мүмкүн болбогон ырааттуулугу. Бүгүнкү маани, адатта, кечээки мааниге байланыштуу болот, ал эми бул айдын маанисине жылдык үлгүлөр таасир этиши мүмкүн. Бул убакыт аралык көз карандылык автокорреляция деп аталат. Андан тышкары, убакыттык катарлар көбүнчө тренддер (узак мөөнөттүү кыймылдар), сезондуулук (убакыттын өтүшү менен кайталануучу үлгүлөр), циклдер (ар дайым туруктуу болбогон орто мөөнөттүү толкундар) жана ызы-чуу же кокустук каталар сыяктуу компоненттерди көрсөтөт.
Мисалы, чекене сатуу майрам күндөрү (сезондук) көбөйөт, бирок алар экономикалык өсүшкө (тенденцияга) байланыштуу жылдан жылга жай өсүшү мүмкүн. Күтүлбөгөн окуялардан — мисалы, жеткирүүнүн үзгүлтүккө учурашынан же саясаттын өзгөрүшүнөн — улам келип чыккан өзгөрүүлөр кокустук компонентке кирет.
Убакыт катарларын анализдөөнүн максаты
Жалпысынан алганда, убакыт катарларын талдоо бир нече негизги максаттарга ээ. Биринчиден, ал маалыматтардын үлгүлөрүн кыска жана маалыматтуу түрдө сүрөттөйт, мисалы, тенденцияларды сезондуулуктан бөлүү менен. Экинчиден, ал маалыматтарды түзүүнүн механизмдерин статистикалык моделдер аркылуу түшүндүрөт, бул бизге убакыттын өтүшү менен баалуулуктардын өзгөрүшүнүн артындагы процесстерди түшүнүүгө мүмкүндүк берет. Үчүнчүдөн, ал келечектеги баалуулуктарды тарыхый үлгүлөргө негиздеп болжолдойт. Төртүнчүдөн, ал аномалияларды же түзүмдүк өзгөрүүлөрдү, мисалы, экономикалык кризистерди, рыноктун жүрүм-турумундагы өзгөрүүлөрдү же маалыматтардын четтөөсүнө алып келген өлчөөчү шаймандардын иштебей калышын аныктайт.
Биринчи кадамдар: Визуалдаштыруу жана изилдөө
Көбүнчө колдонулуучу алгачкы кадам - маалыматтарды убакытка карата график түзүү. Жөнөкөй визуализациялар көбүнчө жогору же төмөн тенденцияларды, сезондук үлгүлөрдү жана четтөөлөрдү ачып берет. Андан кийин алдын ала статистикалык талдоо жүргүзүлөт, мисалы, кыска мөөнөттүү өзгөрүүлөрдү тегиздөө үчүн кыймылдуу орточо маанини эсептөө же трендди, сезондук жана калдык компоненттерди бөлүү үчүн убакыт катарларын ажыратууну колдонуу.
Графиктерден тышкары, убакыт катарларын изилдөөдөгү эки маанилүү курал - автокорреляция функциясы (ACF) жана жарым-жартылай автокорреляция функциясы (PACF). ACF ар кандай кечигүүлөрдөгү (мисалы, 1 күн мурун, 2 күн мурун жана башкалар) учурдагы маани менен маанилердин ортосундагы байланыштын канчалык күчтүү экенин көрсөтөт. PACF кичирээк кечигүүлөрдүн таасирин көзөмөлдөгөндөн кийин кечигүүнүн түздөн-түз таасирин аныктоого жардам берет. ACF жана PACF маалыматтары туура моделди тандоо үчүн абдан пайдалуу.
Стационардык түшүнүк
Көптөгөн классикалык убакыт катарларынын ыкмалары, айрыкча ARIMA үй-бүлөсү, маалыматтар стационардык деп болжолдойт. Стационардык убакыт катарлары анын статистикалык касиеттери (мисалы, орточо маани жана дисперсия) убакыттын өтүшү менен салыштырмалуу туруктуу экенин жана автокорреляция абсолюттук убакытка эмес, убакыттын артта калуусуна гана көз каранды экенин билдирет.
Эгерде маалыматтар күчтүү тенденцияны же ачык сезондуулукту көрсөтсө, ал адатта стационардык эмес болот. Аны стационардык кылуу үчүн аналитиктер көбүнчө дисперсияны турукташтыруу үчүн дифференциациялоо (мезгилдердин ортосундагы айырманы алуу) же логарифмдик трансформациялар сыяктуу трансформацияларды колдонушат. Кеңейтилген Дики-Фуллер (ADF) же KPSS сыяктуу расмий тесттер стационардыкты баалоого жардам берет, бирок аларды чечмелөө дагы эле контексттик түшүнүүнүн жана визуалдык текшерүүнүн айкалышын талап кылат.
Популярдуу убакыт серияларынын моделдери
1. Кыймылдуу орточо модель жана экспоненциалдык тегиздөө
Тегиздөө ыкмалары кыска мөөнөттүү божомолдоодо кеңири колдонулат. Кыймылдуу орточо көрсөткүчтөр кийинки мезгилди алдын ала айтуу үчүн акыркы бир нече мезгилдин орточо көрсөткүчүн алат. Экспоненциалдык тегиздөө эң акыркы байкоолорго көбүрөөк маани берет. Жөнөкөй экспоненциалдык тегиздөө сыяктуу ыкмалар трендсиз жана сезондук маалыматтар үчүн ылайыктуу, ал эми Холттун ыкмасы тренддерди, ал эми Холт-Винтерс тренддерди да, сезондукту да карайт.
Тегиздөө ыкмаларынын артыкчылыктары - алардын жөнөкөй, тез жана көп учурда операциялык максаттарда жакшы иштеши. Бирок, алар дайыма эле автокорреляция түзүмүн толук чечмелей бербейт.
2. AR, MA жана ARIMA
Авторегрессивдүү (AR) модель учурдагы маанилер өткөндөгү маанилерге көз каранды экенин айтат. Кыймылдуу орточо (MA) модели учурдагы маанилерге өткөндөгү каталар таасир этерин айтат. Экөөнүн айкалышы ARMA деп аталат жана маалыматтарды стационардык кылуу үчүн айырмалоо керек болгондо, модель ARIMA (Авторегрессивдүү интеграцияланган кыймылдуу орточо) болуп калат. ARIMA ARIMA(p, d, q) деп жазылат, мында p - AR тартиби, d - айырмалоо тартиби жана q - MA тартиби.
Параметрлерди тандоого, адатта, ACF/PACF жана AIC же BIC сыяктуу маалымат критерийлери жардам берет. ARIMA өзүнүн ийкемдүүлүгү жана күчтүү теориялык негизи аркасында экономикалык жана бизнес божомолдоодо көптөн бери стандарт болуп келген.
3. Сезондук SARIMA
Эгерде маалыматтарда сезондук өзгөчөлүк — мисалы, айлык-жылдык схема — болсо, ARIMA модели SARIMAга (Сезондук ARIMA) чейин кеңейтилет. Бул модель белгилүү бир сезондук мезгил үчүн AR, айырмачылыктар жана MA параметрлерин камтыган сезондук компонентти кошот (мисалы, айлык маалыматтар үчүн 12). SARIMA айына келген туристтердин саны, күнүмдүк схема менен сааттык электр энергиясын керектөө же сезондук продукцияга болгон суроо-талап сыяктуу маалыматтар үчүн натыйжалуу.
4. Көп өзгөрмөлүү үчүн VAR
Көп учурларда биз бир эле учурда бир нече убакыт катарларын, мисалы, инфляцияны, пайыздык чендерди жана валюта курстарын талдайбыз. Вектордук авторегрессия (VAR) ар бир өзгөрмөгө өзүнүн мурунку маанилери жана башка өзгөрмөлөр таасир этүүгө мүмкүндүк берет. VAR эконометрикада система динамикасын жана импульстук жооп анализи аркылуу шоктордун таасирин изилдөө үчүн кеңири колдонулат.
5. Туруксуздук модели: ARCH/GARCH
Финансылык маалыматтарда волатилдүүлүк көбүнчө кластерлерде пайда болот: тынч мезгилдерден кийин жогорку волатилдүүлүк мезгилдери келет. ARCH жана GARCH моделдери убакыттын өтүшү менен өзгөрүп турган дисперсияны моделдөө үчүн иштелип чыккан. Бул моделдер тобокелдиктерди башкарууда, активдерди баалоодо жана рыноктун белгисиздигин өлчөөдө маанилүү.
Моделди баалоо жана болжолдоонун тактыгы
Модель тандалгандан кийин, анын адекваттуулугун баалашыбыз керек. Калдыктар (чыныгы жана болжолдонгон маалыматтардын ортосундагы айырма) кокустук ызы-чууга окшош болушу керек: үлгүсүз, автокорреляцияланбаган жана салыштырмалуу туруктуу дисперсияга ээ. Калдык автокорреляцияны текшерүү үчүн көбүнчө Льюнг-Бокс тести колдонулат.
Божомолдун сапатын өлчөө үчүн MAE (орточо абсолюттук ката), RMSE (тамырдын орточо квадраттык катасы) жана MAPE (орточо абсолюттук пайыздык ката) сыяктуу метрикалар колдонулат. Жакшы практика - маалыматтарды кокустук бөлүүнүн ордуна окутуу жана тест маалыматтарына (убакытка негизделген бөлүү) бөлүү, ошондо баалоо чыныгы божомолдоо шарттарын чагылдырат.
Убакыт катарларындагы жалпы кыйынчылыктар
Убакыт катарларын талдоо көп учурда маалыматтардын жоктугу, өлчөө аныктамаларындагы өзгөрүүлөр, өтө четтөөлөр жана түзүмдүк үзгүлтүктөр сыяктуу кыйынчылыктарга туш болот. Мисалы, пандемия керектөө схемаларын кескин өзгөртүп, пандемияга чейинки мезгилдер боюнча окутулган моделдердин тактыгын төмөндөтүшү мүмкүн. Мындай кырдаалдарда моделдерди жаңыртуу, экзогендик өзгөрмөлөрдү колдонуу же адаптацияланган ыкма зарыл болушу мүмкүн.
Мындан тышкары, маалыматтардын убакыт чечилиши жана узактыгы колдонула турган ыкмаларга олуттуу таасир этет. Жогорку жыштыктагы маалыматтар (мисалы, мүнөтүнө) ызы-чууну жана эсептөөнү атайын иштетүүнү талап кылат, ал эми жылдык маалыматтар сезондуулукту так аныктоо үчүн өтө кыска болушу мүмкүн.
Penutup
Статистикадагы убакыт катарларын талдоо убакыттын өтүшү менен өзгөрүп турган маалыматтарды түшүнүү үчүн бай алкак болуп саналат. Тренддерди, сезондуулукту жана автокорреляция компоненттерин таануу жана экспоненциалдык тегиздөөдөн ARIMA, VAR жана GARCHга чейинки туура моделди тандоо менен биз так божомолдорду түзүп, так түшүнүктөргө ээ боло алабыз. Бирок, ийгиликтүү талдоо техникага гана эмес, контекстти, маалыматтардын сапатын жана кылдат баалоону түшүнүүгө да байланыштуу. Реалдуу убакыттагы маалыматтарга барган сайын көбүрөөк таянып жаткан дүйнөдө убакыт катарларын талдоо жөндөмү изилдөөчүлөр жана практиктер үчүн барган сайын маанилүү көндүмгө айланууда.
