സ്ഥിതിവിവരക്കണക്കുകളിലെ സമയ ശ്രേണി വിശകലനം

സ്റ്റാറ്റിസ്റ്റിക്സിലെ സമയ ശ്രേണി വിശകലനം

കാലക്രമേണ, ദിവസേന, ആഴ്ചതോറും, പ്രതിമാസമോ, വാർഷികമോ ആയി തുടർച്ചയായി ശേഖരിക്കുന്ന ഡാറ്റ പഠിക്കുന്ന സ്ഥിതിവിവരക്കണക്കുകളുടെ ഒരു ശാഖയാണ് സമയ ശ്രേണി വിശകലനം. ഒരു പ്രത്യേക ഘട്ടത്തിൽ ശേഖരിക്കുന്ന ക്രോസ്-സെക്ഷണൽ ഡാറ്റയിൽ നിന്ന് വ്യത്യസ്തമായി, സമയ ശ്രേണി വിശകലനം കാലക്രമേണ വികസിക്കുന്ന മാറ്റങ്ങളുടെയും പാറ്റേണുകളുടെയും ചലനാത്മകതയെ ഊന്നിപ്പറയുന്നു. സാമ്പത്തിക ശാസ്ത്രം, ബിസിനസ്സ്, പൊതുജനാരോഗ്യം, ഊർജ്ജം, കാലാവസ്ഥ എന്നിവയിലെ പല പ്രധാന തീരുമാനങ്ങളും മുൻകാല പ്രവണതകൾ മനസ്സിലാക്കുന്നതിനെയും ഭാവി പ്രവചിക്കുന്നതിനെയും ആശ്രയിച്ചിരിക്കുന്നതിനാൽ, ഗവേഷണത്തിലും പ്രയോഗത്തിലും സമയ ശ്രേണി വിശകലനം ഒരു നിർണായക ഉപകരണമാണ്.

സമയ ശ്രേണി ഡാറ്റയുടെ സവിശേഷതകൾ

ഒരു സമയ ശ്രേണിയുടെ പ്രധാന സവിശേഷത, പ്രധാനപ്പെട്ട വിവരങ്ങൾ നഷ്ടപ്പെടാതെ മാറ്റാൻ കഴിയാത്ത ഒരു ശ്രേണി അതിനുണ്ട് എന്നതാണ്. ഇന്നത്തെ മൂല്യം സാധാരണയായി ഇന്നലത്തെ മൂല്യവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, കൂടാതെ ഈ മാസത്തെ മൂല്യത്തെ വാർഷിക പാറ്റേണുകൾ സ്വാധീനിക്കും. ഈ ഇന്റർടെമ്പറൽ ആശ്രിതത്വത്തെ ഓട്ടോകോറിലേഷൻ എന്ന് വിളിക്കുന്നു. കൂടാതെ, സമയ ശ്രേണികൾ പലപ്പോഴും ട്രെൻഡുകൾ (ദീർഘകാല ചലനങ്ങൾ), समालത്വം (കാലക്രമേണ ആവർത്തിക്കുന്ന പാറ്റേണുകൾ), ചക്രങ്ങൾ (എല്ലായ്‌പ്പോഴും പതിവില്ലാത്ത ഇന്റർമീഡിയറ്റ്-ടേം തരംഗങ്ങൾ), ശബ്‌ദം അല്ലെങ്കിൽ ക്രമരഹിത പിശകുകൾ തുടങ്ങിയ ഘടകങ്ങൾ പ്രദർശിപ്പിക്കുന്നു.

ഉദാഹരണത്തിന്, അവധി ദിവസങ്ങളിൽ (സീസണൽ) ചില്ലറ വിൽപ്പന വർദ്ധിക്കാറുണ്ട്, എന്നാൽ സാമ്പത്തിക വളർച്ച (ട്രെൻഡ്) കാരണം അവ വർഷം തോറും സാവധാനത്തിൽ വർദ്ധിക്കുകയും ചെയ്യാം. വിതരണ തടസ്സങ്ങൾ അല്ലെങ്കിൽ നയ മാറ്റങ്ങൾ പോലുള്ള അപ്രതീക്ഷിത സംഭവങ്ങൾ മൂലമുണ്ടാകുന്ന ഏറ്റക്കുറച്ചിലുകൾ ക്രമരഹിത ഘടകത്തിൽ ഉൾപ്പെടുന്നു.

സമയ ശ്രേണി വിശകലനത്തിന്റെ ഉദ്ദേശ്യം

പൊതുവേ, സമയ ശ്രേണി വിശകലനത്തിന് നിരവധി പ്രധാന ലക്ഷ്യങ്ങളുണ്ട്. ഒന്നാമതായി, ഇത് ഡാറ്റ പാറ്റേണുകളെ സംക്ഷിപ്തമായും വിവരദായകമായും വിവരിക്കുന്നു, ഉദാഹരണത്തിന് പ്രവണതകളെ സീസണാലിറ്റിയിൽ നിന്ന് വേർതിരിക്കുന്നതിലൂടെ. രണ്ടാമതായി, സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലുകളിലൂടെ ഡാറ്റ രൂപീകരണത്തിന്റെ സംവിധാനങ്ങൾ ഇത് വിശദീകരിക്കുന്നു, കാലക്രമേണ മൂല്യങ്ങളിലെ മാറ്റങ്ങൾക്ക് പിന്നിലെ പ്രക്രിയകൾ മനസ്സിലാക്കാൻ ഇത് നമ്മെ അനുവദിക്കുന്നു. മൂന്നാമതായി, ചരിത്രപരമായ പാറ്റേണുകളെ അടിസ്ഥാനമാക്കി ഭാവി മൂല്യങ്ങളെ കണക്കാക്കുന്ന ഒരു പ്രവചനമാണിത്. നാലാമതായി, സാമ്പത്തിക പ്രതിസന്ധികൾ, വിപണി പെരുമാറ്റത്തിലെ മാറ്റങ്ങൾ, അല്ലെങ്കിൽ ഡാറ്റ വ്യതിയാനങ്ങൾക്ക് കാരണമാകുന്ന അളക്കൽ ഉപകരണങ്ങളുടെ തെറ്റായ പ്രവർത്തനം എന്നിവ പോലുള്ള അപാകതകൾ അല്ലെങ്കിൽ ഘടനാപരമായ മാറ്റങ്ങൾ ഇത് കണ്ടെത്തുന്നു.

ആദ്യ ഘട്ടങ്ങൾ: ദൃശ്യവൽക്കരണവും പര്യവേഷണവും

സമയവുമായി ബന്ധപ്പെട്ട് ഡാറ്റ പ്ലോട്ട് ചെയ്യുക എന്നതാണ് ഒരു സാധാരണ പ്രാരംഭ ഘട്ടം. ലളിതമായ ദൃശ്യവൽക്കരണങ്ങൾ പലപ്പോഴും മുകളിലേക്കോ താഴേക്കോ ഉള്ള പ്രവണതകൾ, സീസണൽ പാറ്റേണുകൾ, ഔട്ട്‌ലൈയറുകൾ എന്നിവ വെളിപ്പെടുത്തുന്നു. തുടർന്ന് പ്രാഥമിക സ്ഥിതിവിവരക്കണക്ക് വിശകലനം നടത്തുന്നു, ഹ്രസ്വകാല ഏറ്റക്കുറച്ചിലുകൾ സുഗമമാക്കുന്നതിന് ഒരു മൂവിംഗ് ശരാശരി കണക്കാക്കുക അല്ലെങ്കിൽ ട്രെൻഡ്, സീസണൽ, അവശിഷ്ട ഘടകങ്ങൾ വേർതിരിക്കുന്നതിന് സമയ ശ്രേണി വിഘടനം ഉപയോഗിക്കുക.

പ്ലോട്ടുകൾക്ക് പുറമേ, സമയ ശ്രേണി പര്യവേക്ഷണത്തിലെ രണ്ട് പ്രധാന ഉപകരണങ്ങളാണ് ഓട്ടോകോറിലേഷൻ ഫംഗ്ഷൻ (ACF), ഭാഗിക ഓട്ടോകോറിലേഷൻ ഫംഗ്ഷൻ (PACF). വിവിധ ലാഗുകളിൽ (ഉദാ. 1 ദിവസം മുമ്പ്, 2 ദിവസം മുമ്പ്, മുതലായവ) നിലവിലെ മൂല്യവും മൂല്യങ്ങളും തമ്മിലുള്ള ബന്ധം എത്രത്തോളം ശക്തമാണെന്ന് ACF കാണിക്കുന്നു. ചെറിയ ലാഗുകളുടെ സ്വാധീനം നിയന്ത്രിച്ചതിന് ശേഷം ഒരു ലാഗിന്റെ നേരിട്ടുള്ള സ്വാധീനം തിരിച്ചറിയാൻ PACF സഹായിക്കുന്നു. ശരിയായ മോഡൽ തിരഞ്ഞെടുക്കുന്നതിന് ACF, PACF എന്നിവയിൽ നിന്നുള്ള വിവരങ്ങൾ വളരെ ഉപയോഗപ്രദമാണ്.

സ്റ്റേഷണറിറ്റി എന്ന ആശയം

പല ക്ലാസിക്കൽ സമയ ശ്രേണി രീതികളും - പ്രത്യേകിച്ച് ARIMA കുടുംബം - ഡാറ്റ നിശ്ചലമാണെന്ന് അനുമാനിക്കുന്നു. ഒരു നിശ്ചല സമയ ശ്രേണി എന്നാൽ അതിന്റെ സ്ഥിതിവിവരക്കണക്ക് സവിശേഷതകൾ (ശരാശരി, വ്യതിയാനം പോലുള്ളവ) കാലക്രമേണ താരതമ്യേന സ്ഥിരമാണെന്നും, യാന്ത്രിക പരസ്പരബന്ധം കേവല സമയത്തെയല്ല, സമയ കാലതാമസത്തെ മാത്രമേ ആശ്രയിച്ചിരിക്കുന്നുള്ളൂ എന്നുമാണ്.

ഡാറ്റ ശക്തമായ ഒരു പ്രവണതയോ വ്യക്തമായ ഋതുഭേദമോ പ്രകടിപ്പിക്കുന്നുണ്ടെങ്കിൽ, അത് സാധാരണയായി നിശ്ചലമല്ല. അതിനെ നിശ്ചലമാക്കാൻ, വിശകലന വിദഗ്ധർ പലപ്പോഴും ഡിഫറൻസിംഗ് (പീരിയഡുകൾ തമ്മിലുള്ള വ്യത്യാസം എടുക്കൽ) പോലുള്ള പരിവർത്തനങ്ങളോ വേരിയൻസ് സ്ഥിരപ്പെടുത്താൻ ലോഗ് പരിവർത്തനങ്ങളോ ഉപയോഗിക്കുന്നു. ഓഗ്മെന്റഡ് ഡിക്കി-ഫുള്ളർ (ADF) അല്ലെങ്കിൽ KPSS പോലുള്ള ഔപചാരിക പരിശോധനകൾക്ക് സ്റ്റേഷണറിറ്റി വിലയിരുത്താൻ സഹായിക്കാനാകും, എന്നിരുന്നാലും അവയുടെ വ്യാഖ്യാനത്തിന് ഇപ്പോഴും സന്ദർഭോചിതമായ ധാരണയുടെയും ദൃശ്യ പരിശോധനയുടെയും സംയോജനം ആവശ്യമാണ്.

ജനപ്രിയ ടൈം സീരീസ് മോഡലുകൾ

1. മൂവിംഗ് ആവറേജ് മോഡലും എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗും
ഹ്രസ്വകാല പ്രവചനത്തിൽ സുഗമമാക്കൽ രീതികൾ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു. അടുത്ത കാലയളവ് പ്രവചിക്കാൻ മൂവിംഗ് ആവറേജുകൾ കഴിഞ്ഞ കുറച്ച് കാലയളവുകളുടെ ശരാശരി എടുക്കുന്നു. എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ് ഏറ്റവും പുതിയ നിരീക്ഷണങ്ങൾക്ക് കൂടുതൽ പ്രാധാന്യം നൽകുന്നു. സിമ്പിൾ എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ് പോലുള്ള രീതികൾ ട്രെൻഡ്‌ലെസ്, സീസണൽ ഡാറ്റയ്ക്ക് അനുയോജ്യമാണ്, അതേസമയം ഹോൾട്ടിന്റെ രീതി ട്രെൻഡുകൾ കൈകാര്യം ചെയ്യുന്നു, ഹോൾട്ട്-വിന്റേഴ്‌സ് ട്രെൻഡുകളും സീസണാലിറ്റിയും കൈകാര്യം ചെയ്യുന്നു.

സുഗമമാക്കൽ രീതികളുടെ ഗുണങ്ങൾ അവ ലളിതവും വേഗതയേറിയതും പലപ്പോഴും പ്രവർത്തന ആവശ്യങ്ങൾക്ക് നന്നായി പ്രവർത്തിക്കുന്നതുമാണ് എന്നതാണ്. എന്നിരുന്നാലും, അവ എല്ലായ്പ്പോഴും ഓട്ടോകോറിലേഷൻ ഘടനയുടെ സമഗ്രമായ വ്യാഖ്യാനം നൽകുന്നില്ല.

2. AR, MA, ARIMA എന്നിവ
ഓട്ടോറിഗ്രസീവ് (AR) മോഡൽ പറയുന്നത് നിലവിലെ മൂല്യങ്ങൾ മുൻകാല മൂല്യങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു എന്നാണ്. മൂവിംഗ് ആവറേജ് (MA) മോഡൽ പറയുന്നത് നിലവിലെ മൂല്യങ്ങൾ മുൻകാല പിശകുകളാൽ സ്വാധീനിക്കപ്പെടുന്നു എന്നാണ്. രണ്ടിന്റെയും സംയോജനത്തെ ARMA എന്ന് വിളിക്കുന്നു, ഡാറ്റയെ നിശ്ചലമാക്കാൻ വ്യത്യാസം വരുത്തേണ്ടിവരുമ്പോൾ, മോഡൽ ARIMA (Autoregressive Integrated Moving Average) ആയി മാറുന്നു. ARIMA എന്നത് ARIMA(p, d, q) ആയി എഴുതപ്പെടുന്നു, ഇവിടെ p എന്നത് AR ന്റെ ക്രമമാണ്, d എന്നത് വ്യത്യാസത്തിന്റെ ക്രമമാണ്, q എന്നത് MA യുടെ ക്രമമാണ്.

പാരാമീറ്റർ തിരഞ്ഞെടുപ്പിനെ സാധാരണയായി ACF/PACF ഉം AIC അല്ലെങ്കിൽ BIC പോലുള്ള വിവര മാനദണ്ഡങ്ങളും സഹായിക്കുന്നു. ARIMA അതിന്റെ വഴക്കവും ശക്തമായ സൈദ്ധാന്തിക അടിത്തറയും കാരണം സാമ്പത്തിക, ബിസിനസ് പ്രവചനത്തിൽ വളരെക്കാലമായി ഒരു മാനദണ്ഡമാണ്.

3. സീസണലിനുള്ള SARIMA
ഡാറ്റയ്ക്ക് വ്യക്തമായ ഒരു സീസണാലിറ്റി ഉണ്ടെങ്കിൽ - ഉദാഹരണത്തിന്, പ്രതിമാസ-വർഷ പാറ്റേൺ - ARIMA മോഡൽ SARIMA (സീസണൽ ARIMA) ലേക്ക് വ്യാപിപ്പിക്കും. ഈ മോഡൽ ഒരു പ്രത്യേക സീസണൽ കാലയളവിലേക്കുള്ള AR, ഡിഫറൻസിംഗ്, MA പാരാമീറ്ററുകൾ എന്നിവയുൾപ്പെടെ ഒരു സീസണൽ ഘടകം ചേർക്കുന്നു (ഉദാഹരണത്തിന്, പ്രതിമാസ ഡാറ്റയ്ക്ക് 12). പ്രതിമാസം വിനോദസഞ്ചാരികളുടെ എണ്ണം, ദൈനംദിന പാറ്റേൺ ഉള്ള മണിക്കൂർ വൈദ്യുതി ഉപഭോഗം, അല്ലെങ്കിൽ സീസണൽ ഉൽപ്പന്ന ആവശ്യകത തുടങ്ങിയ ഡാറ്റയ്ക്ക് SARIMA ഫലപ്രദമാണ്.

4. മൾട്ടിവാരിയേറ്റിനുള്ള VAR
പല സന്ദർഭങ്ങളിലും, പണപ്പെരുപ്പം, പലിശ നിരക്കുകൾ, വിനിമയ നിരക്കുകൾ എന്നിങ്ങനെ ഒന്നിലധികം സമയ ശ്രേണികൾ ഞങ്ങൾ ഒരേസമയം വിശകലനം ചെയ്യുന്നു. വെക്റ്റർ ഓട്ടോറിഗ്രഷൻ (VAR) ഓരോ വേരിയബിളിനെയും അതിന്റേതായ മുൻകാല മൂല്യങ്ങളും മറ്റ് വേരിയബിളുകളും സ്വാധീനിക്കാൻ അനുവദിക്കുന്നു. ഇംപൾസ് റെസ്‌പോൺസ് വിശകലനത്തിലൂടെ സിസ്റ്റം ഡൈനാമിക്‌സും ഷോക്കുകളുടെ ഫലങ്ങളും പഠിക്കാൻ ഇക്കണോമെട്രിക്സിൽ VAR വ്യാപകമായി ഉപയോഗിക്കുന്നു.

5. അസ്ഥിരതാ മോഡൽ: ARCH/GARCH
സാമ്പത്തിക ഡാറ്റയിൽ, അസ്ഥിരത പലപ്പോഴും ക്ലസ്റ്ററുകളിലാണ് സംഭവിക്കുന്നത്: ശാന്തമായ കാലഘട്ടങ്ങൾക്കുശേഷം ഉയർന്ന അസ്ഥിരതയുടെ കാലഘട്ടങ്ങൾ. കാലക്രമേണ മാറുന്ന വ്യതിയാനങ്ങളെ മാതൃകയാക്കുന്നതിനാണ് ARCH, GARCH മോഡലുകൾ രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത്. റിസ്ക് മാനേജ്മെന്റ്, ആസ്തി മൂല്യനിർണ്ണയം, വിപണി അനിശ്ചിതത്വം അളക്കൽ എന്നിവയിൽ ഈ മോഡലുകൾ പ്രധാനമാണ്.

മോഡൽ മൂല്യനിർണ്ണയവും പ്രവചന കൃത്യതയും

ഒരു മോഡൽ തിരഞ്ഞെടുത്തുകഴിഞ്ഞാൽ, അതിന്റെ പര്യാപ്തത നാം വിലയിരുത്തേണ്ടതുണ്ട്. അവശിഷ്ടങ്ങൾ (യഥാർത്ഥ ഡാറ്റയും പ്രവചിച്ച ഡാറ്റയും തമ്മിലുള്ള വ്യത്യാസം) ക്രമരഹിതമായ ശബ്ദവുമായി സാമ്യമുള്ളതായിരിക്കണം: പാറ്റേൺ ചെയ്യാത്തതും, യാന്ത്രികമായി പരസ്പരബന്ധിതമല്ലാത്തതും, താരതമ്യേന സ്ഥിരതയുള്ള വ്യതിയാനം ഉള്ളതുമായിരിക്കണം. അവശിഷ്ട ഓട്ടോകോറിലേഷൻ പരിശോധിക്കാൻ ലുജംഗ്-ബോക്സ് പരിശോധന പലപ്പോഴും ഉപയോഗിക്കുന്നു.

പ്രവചന നിലവാരം അളക്കുന്നതിന്, MAE (മീൻ അബ്സൊല്യൂട്ട് എറർ), RMSE (റൂട്ട് മീൻ സ്ക്വയർഡ് എറർ), MAPE (മീൻ അബ്സൊല്യൂട്ട് ശതമാനം എറർ) തുടങ്ങിയ മെട്രിക്കുകൾ ഉപയോഗിക്കുന്നു. റാൻഡം സ്പ്ലിറ്റിന് പകരം, സമയത്തെ അടിസ്ഥാനമാക്കിയുള്ള പരിശീലന ഡാറ്റയും ടെസ്റ്റ് ഡാറ്റയും (സമയാധിഷ്ഠിത സ്പ്ലിറ്റ്) ആയി ഡാറ്റ വിഭജിക്കുക എന്നതാണ് ഒരു നല്ല രീതി, അതുവഴി മൂല്യനിർണ്ണയം യഥാർത്ഥ പ്രവചന സാഹചര്യങ്ങളെ പ്രതിഫലിപ്പിക്കുന്നു.

സമയ പരമ്പരയിലെ സാധാരണ വെല്ലുവിളികൾ

സമയ ശ്രേണി വിശകലനം പലപ്പോഴും ഡാറ്റ നഷ്ടപ്പെടൽ, അളവെടുപ്പ് നിർവചനങ്ങളിലെ മാറ്റങ്ങൾ, അങ്ങേയറ്റത്തെ ഔട്ട്‌ലയറുകൾ, ഘടനാപരമായ ബ്രേക്കുകൾ തുടങ്ങിയ വെല്ലുവിളികളെ അഭിമുഖീകരിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു പാൻഡെമിക്കിന് ഉപഭോഗ രീതികളെ ഗണ്യമായി മാറ്റാൻ കഴിയും, ഇത് പാൻഡെമിക്കിന് മുമ്പുള്ള കാലഘട്ടങ്ങളിൽ പരിശീലനം ലഭിച്ച മോഡലുകളെ കൃത്യത കുറഞ്ഞതാക്കുന്നു. അത്തരം സാഹചര്യങ്ങളിൽ, മോഡൽ അപ്‌ഡേറ്റുകൾ, ബാഹ്യ വേരിയബിളുകളുടെ ഉപയോഗം അല്ലെങ്കിൽ കൂടുതൽ അഡാപ്റ്റീവ് സമീപനം ആവശ്യമായി വന്നേക്കാം.

കൂടാതെ, ഡാറ്റയുടെ സമയ റെസല്യൂഷനും ദൈർഘ്യവും ഉപയോഗിക്കാവുന്ന രീതികളെ സാരമായി സ്വാധീനിക്കുന്നു. ഉയർന്ന ആവൃത്തിയിലുള്ള ഡാറ്റയ്ക്ക് (ഉദാ. മിനിറ്റിൽ) ശബ്ദത്തിന്റെയും കണക്കുകൂട്ടലിന്റെയും പ്രത്യേക കൈകാര്യം ചെയ്യൽ ആവശ്യമാണ്, അതേസമയം വാർഷിക ഡാറ്റ വളരെ ചെറുതായിരിക്കാം, അത് समालത്വം തിരിച്ചറിയാൻ പര്യാപ്തമല്ലായിരിക്കാം.

പെനുട്ടപ്പ്

കാലക്രമേണ പരിണമിക്കുന്ന ഡാറ്റ മനസ്സിലാക്കുന്നതിനുള്ള സമ്പന്നമായ ഒരു ചട്ടക്കൂട് സ്ഥിതിവിവരക്കണക്കുകളിലെ സമയ ശ്രേണി വിശകലനം നൽകുന്നു. പ്രവണത, ഋതുഭേദം, ഓട്ടോകോറിലേഷൻ ഘടകങ്ങൾ എന്നിവ തിരിച്ചറിയുന്നതിലൂടെയും എക്‌സ്‌പോണൻഷ്യൽ സ്മൂത്തിംഗ് മുതൽ ARIMA, VAR, GARCH വരെയുള്ള ശരിയായ മോഡൽ തിരഞ്ഞെടുക്കുന്നതിലൂടെയും നമുക്ക് കൂടുതൽ കൃത്യമായ പ്രവചനങ്ങൾ നിർമ്മിക്കാനും മൂർച്ചയുള്ള ഉൾക്കാഴ്ചകൾ നേടാനും കഴിയും. എന്നിരുന്നാലും, വിജയകരമായ വിശകലനം സാങ്കേതികതയെ മാത്രമല്ല, സന്ദർഭം, ഡാറ്റ ഗുണനിലവാരം, കർശനമായ വിലയിരുത്തൽ എന്നിവയെ ആശ്രയിച്ചിരിക്കുന്നു. തത്സമയ ഡാറ്റയെ കൂടുതലായി ആശ്രയിക്കുന്ന ഒരു ലോകത്ത്, സമയ ശ്രേണി വിശകലനം ചെയ്യാനുള്ള കഴിവ് ഗവേഷകർക്കും പ്രാക്ടീഷണർമാർക്കും ഒരുപോലെ പ്രധാനപ്പെട്ട ഒരു കഴിവായി മാറുകയാണ്.