ਅੰਕੜਿਆਂ ਵਿੱਚ ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਅੰਕੜਿਆਂ ਵਿੱਚ ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅੰਕੜਿਆਂ ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਕ੍ਰਮਵਾਰ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦਾ ਅਧਿਐਨ ਕਰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਰੋਜ਼ਾਨਾ, ਹਫਤਾਵਾਰੀ, ਮਾਸਿਕ, ਜਾਂ ਸਾਲਾਨਾ। ਕਰਾਸ-ਸੈਕਸ਼ਨਲ ਡੇਟਾ ਦੇ ਉਲਟ, ਜੋ ਸਮੇਂ ਦੇ ਇੱਕ ਬਿੰਦੂ 'ਤੇ ਇਕੱਠੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਕਸਤ ਹੋਣ ਵਾਲੇ ਪਰਿਵਰਤਨ ਅਤੇ ਪੈਟਰਨਾਂ ਦੀ ਗਤੀਸ਼ੀਲਤਾ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ। ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰੇ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲੇ - ਅਰਥਸ਼ਾਸਤਰ, ਕਾਰੋਬਾਰ, ਜਨਤਕ ਸਿਹਤ, ਊਰਜਾ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਜਲਵਾਯੂ ਵਿੱਚ - ਪਿਛਲੇ ਰੁਝਾਨਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਭਵਿੱਖ ਦੇ ਰੁਝਾਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਖੋਜ ਅਤੇ ਅਭਿਆਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਾਧਨ ਹੈ।

ਟਾਈਮ ਸੀਰੀਜ਼ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ

ਇੱਕ ਸਮਾਂ ਲੜੀ ਦੀ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਇਸਦਾ ਇੱਕ ਕ੍ਰਮ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਗੁਆਏ ਬਿਨਾਂ ਬਦਲਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ। ਅੱਜ ਦਾ ਮੁੱਲ ਆਮ ਤੌਰ 'ਤੇ ਕੱਲ੍ਹ ਦੇ ਮੁੱਲ ਨਾਲ ਸੰਬੰਧਿਤ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸ ਮਹੀਨੇ ਦਾ ਮੁੱਲ ਸਾਲਾਨਾ ਪੈਟਰਨਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਅੰਤਰ-ਕਾਲਿਕ ਨਿਰਭਰਤਾ ਨੂੰ ਸਵੈ-ਸਹਿਯੋਗ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਮਾਂ ਲੜੀ ਅਕਸਰ ਰੁਝਾਨਾਂ (ਲੰਬੀ-ਮਿਆਦ ਦੀਆਂ ਹਰਕਤਾਂ), ਮੌਸਮੀਤਾ (ਸਮੇਂ ਦੇ ਨਾਲ ਆਵਰਤੀ ਪੈਟਰਨ), ਚੱਕਰ (ਵਿਚਕਾਰਲੀ-ਮਿਆਦ ਦੀਆਂ ਤਰੰਗਾਂ ਜੋ ਹਮੇਸ਼ਾ ਨਿਯਮਤ ਨਹੀਂ ਹੁੰਦੀਆਂ), ਅਤੇ ਸ਼ੋਰ ਜਾਂ ਬੇਤਰਤੀਬ ਗਲਤੀਆਂ ਵਰਗੇ ਹਿੱਸਿਆਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੀ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਚੂਨ ਵਿਕਰੀ ਛੁੱਟੀਆਂ (ਮੌਸਮੀ) ਦੇ ਆਲੇ-ਦੁਆਲੇ ਵਧਦੀ ਹੈ, ਪਰ ਆਰਥਿਕ ਵਿਕਾਸ (ਰੁਝਾਨ) ਦੇ ਕਾਰਨ ਇਹ ਸਾਲ-ਦਰ-ਸਾਲ ਹੌਲੀ-ਹੌਲੀ ਵੀ ਵਧ ਸਕਦੀ ਹੈ। ਅਣਕਿਆਸੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਕਾਰਨ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ - ਜਿਵੇਂ ਕਿ ਸਪਲਾਈ ਵਿੱਚ ਵਿਘਨ ਜਾਂ ਨੀਤੀ ਵਿੱਚ ਬਦਲਾਅ - ਬੇਤਰਤੀਬ ਹਿੱਸੇ ਦੇ ਅਧੀਨ ਆਉਂਦੇ ਹਨ।

ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਉਦੇਸ਼

ਆਮ ਤੌਰ 'ਤੇ, ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਕਈ ਮੁੱਖ ਉਦੇਸ਼ ਹੁੰਦੇ ਹਨ। ਪਹਿਲਾ, ਇਹ ਡੇਟਾ ਪੈਟਰਨਾਂ ਦਾ ਸੰਖੇਪ ਅਤੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਵਰਣਨ ਕਰਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਰੁਝਾਨਾਂ ਨੂੰ ਮੌਸਮੀਤਾ ਤੋਂ ਵੱਖ ਕਰਕੇ। ਦੂਜਾ, ਇਹ ਅੰਕੜਾ ਮਾਡਲਾਂ ਰਾਹੀਂ ਡੇਟਾ ਨਿਰਮਾਣ ਦੇ ਵਿਧੀਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਅਸੀਂ ਸਮੇਂ ਦੇ ਨਾਲ ਮੁੱਲਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਪਿੱਛੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸਮਝ ਸਕਦੇ ਹਾਂ। ਤੀਜਾ, ਇਹ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਜੋ ਇਤਿਹਾਸਕ ਪੈਟਰਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਭਵਿੱਖ ਦੇ ਮੁੱਲਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ। ਚੌਥਾ, ਇਹ ਵਿਗਾੜਾਂ ਜਾਂ ਢਾਂਚਾਗਤ ਤਬਦੀਲੀਆਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਆਰਥਿਕ ਸੰਕਟ, ਮਾਰਕੀਟ ਵਿਵਹਾਰ ਵਿੱਚ ਬਦਲਾਅ, ਜਾਂ ਡੇਟਾ ਭਟਕਣਾ ਦਾ ਕਾਰਨ ਬਣਨ ਵਾਲੇ ਮਾਪਣ ਯੰਤਰਾਂ ਦੀ ਖਰਾਬੀ।

ਪਹਿਲੇ ਕਦਮ: ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਐਕਸਪਲੋਰੇਸ਼ਨ

ਇੱਕ ਆਮ ਸ਼ੁਰੂਆਤੀ ਕਦਮ ਸਮੇਂ ਦੇ ਵਿਰੁੱਧ ਡੇਟਾ ਨੂੰ ਪਲਾਟ ਕਰਨਾ ਹੈ। ਸਧਾਰਨ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਕਸਰ ਉੱਪਰ ਜਾਂ ਹੇਠਾਂ ਵੱਲ ਰੁਝਾਨਾਂ, ਮੌਸਮੀ ਪੈਟਰਨਾਂ ਅਤੇ ਬਾਹਰੀ ਤੱਤਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ। ਫਿਰ ਸ਼ੁਰੂਆਤੀ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੇ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਲਈ ਇੱਕ ਮੂਵਿੰਗ ਔਸਤ ਦੀ ਗਣਨਾ ਕਰਨਾ ਜਾਂ ਰੁਝਾਨ, ਮੌਸਮੀ ਅਤੇ ਬਾਕੀ ਹਿੱਸਿਆਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਸਮਾਂ ਲੜੀ ਦੇ ਵਿਘਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਪਲਾਟਾਂ ਤੋਂ ਇਲਾਵਾ, ਸਮਾਂ ਲੜੀ ਦੀ ਪੜਚੋਲ ਵਿੱਚ ਦੋ ਮਹੱਤਵਪੂਰਨ ਔਜ਼ਾਰ ਆਟੋਕੋਰੀਲੇਸ਼ਨ ਫੰਕਸ਼ਨ (ACF) ਅਤੇ ਅੰਸ਼ਕ ਆਟੋਕੋਰੀਲੇਸ਼ਨ ਫੰਕਸ਼ਨ (PACF) ਹਨ। ACF ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ ਲੈਗਾਂ (ਜਿਵੇਂ ਕਿ, 1 ਦਿਨ ਪਹਿਲਾਂ, 2 ਦਿਨ ਪਹਿਲਾਂ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ) 'ਤੇ ਮੌਜੂਦਾ ਮੁੱਲ ਅਤੇ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਕਿੰਨਾ ਮਜ਼ਬੂਤ ​​ਹੈ। PACF ਛੋਟੇ ਲੈਗਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਤੋਂ ਬਾਅਦ ਲੈਗ ਦੇ ਸਿੱਧੇ ਪ੍ਰਭਾਵ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ACF ਅਤੇ PACF ਤੋਂ ਜਾਣਕਾਰੀ ਸਹੀ ਮਾਡਲ ਚੁਣਨ ਲਈ ਬਹੁਤ ਉਪਯੋਗੀ ਹੈ।

ਸਥਿਰਤਾ ਦੀ ਧਾਰਨਾ

ਕਈ ਕਲਾਸੀਕਲ ਸਮਾਂ ਲੜੀ ਵਿਧੀਆਂ - ਖਾਸ ਕਰਕੇ ARIMA ਪਰਿਵਾਰ - ਇਹ ਮੰਨਦੇ ਹਨ ਕਿ ਡੇਟਾ ਸਥਿਰ ਹੈ। ਇੱਕ ਸਥਿਰ ਸਮਾਂ ਲੜੀ ਦਾ ਅਰਥ ਹੈ ਕਿ ਇਸਦੇ ਅੰਕੜਾ ਗੁਣ (ਜਿਵੇਂ ਕਿ ਔਸਤ ਅਤੇ ਭਿੰਨਤਾ) ਸਮੇਂ ਦੇ ਨਾਲ ਮੁਕਾਬਲਤਨ ਸਥਿਰ ਹਨ, ਅਤੇ ਇਹ ਕਿ ਸਵੈ-ਸਬੰਧ ਸਿਰਫ ਸਮਾਂ ਅੰਤਰਾਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਸੰਪੂਰਨ ਸਮੇਂ 'ਤੇ ਨਹੀਂ।

ਜੇਕਰ ਡੇਟਾ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਰੁਝਾਨ ਜਾਂ ਸਪਸ਼ਟ ਮੌਸਮੀਤਾ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਗੈਰ-ਸਥਿਰ ਹੁੰਦਾ ਹੈ। ਇਸਨੂੰ ਸਥਿਰ ਬਣਾਉਣ ਲਈ, ਵਿਸ਼ਲੇਸ਼ਕ ਅਕਸਰ ਪਰਿਵਰਤਨਾਂ ਜਿਵੇਂ ਕਿ ਡਿਫਰੈਂਸਿੰਗ (ਪੀਰੀਅਡਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਲੈਣਾ) ਜਾਂ ਲੌਗ ਪਰਿਵਰਤਨਾਂ ਨੂੰ ਸਥਿਰ ਕਰਨ ਲਈ ਵਰਤਦੇ ਹਨ। ਔਗਮੈਂਟੇਡ ਡਿੱਕੀ-ਫੁੱਲਰ (ADF) ਜਾਂ KPSS ਵਰਗੇ ਰਸਮੀ ਟੈਸਟ ਸਟੇਸ਼ਨਰੀਟੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ, ਹਾਲਾਂਕਿ ਉਹਨਾਂ ਦੀ ਵਿਆਖਿਆ ਲਈ ਅਜੇ ਵੀ ਪ੍ਰਸੰਗਿਕ ਸਮਝ ਅਤੇ ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ ਦੇ ਸੁਮੇਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਪ੍ਰਸਿੱਧ ਟਾਈਮ ਸੀਰੀਜ਼ ਮਾਡਲ

1. ਮੂਵਿੰਗ ਐਵਰੇਜ ਮਾਡਲ ਅਤੇ ਐਕਸਪੋਨੇਂਸ਼ੀਅਲ ਸਮੂਥਿੰਗ
ਸਮੂਥਿੰਗ ਵਿਧੀਆਂ ਥੋੜ੍ਹੇ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਮੂਵਿੰਗ ਔਸਤ ਅਗਲੀ ਮਿਆਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਕੁਝ ਪੀਰੀਅਡਾਂ ਦੀ ਔਸਤ ਲੈਂਦੀਆਂ ਹਨ। ਘਾਤਕ ਸਮੂਥਿੰਗ ਸਭ ਤੋਂ ਤਾਜ਼ਾ ਨਿਰੀਖਣਾਂ ਨੂੰ ਵਧੇਰੇ ਭਾਰ ਦਿੰਦੀ ਹੈ। ਸਧਾਰਨ ਘਾਤਕ ਸਮੂਥਿੰਗ ਵਰਗੇ ਢੰਗ ਰੁਝਾਨ ਰਹਿਤ ਅਤੇ ਮੌਸਮੀ ਡੇਟਾ ਲਈ ਢੁਕਵੇਂ ਹਨ, ਜਦੋਂ ਕਿ ਹੋਲਟ ਦਾ ਤਰੀਕਾ ਰੁਝਾਨਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਅਤੇ ਹੋਲਟ-ਵਿੰਟਰਸ ਰੁਝਾਨਾਂ ਅਤੇ ਮੌਸਮੀਤਾ ਦੋਵਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ।

ਸਮੂਥਿੰਗ ਵਿਧੀਆਂ ਦੇ ਫਾਇਦੇ ਇਹ ਹਨ ਕਿ ਉਹ ਸਰਲ, ਤੇਜ਼ ਹਨ, ਅਤੇ ਅਕਸਰ ਕਾਰਜਸ਼ੀਲ ਉਦੇਸ਼ਾਂ ਲਈ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਉਹ ਹਮੇਸ਼ਾ ਸਵੈ-ਸਬੰਧ ਢਾਂਚੇ ਦੀ ਪੂਰੀ ਵਿਆਖਿਆ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ ਹਨ।

2. ਏਆਰ, ਐਮਏ, ਅਤੇ ਏਰੀਮਾ
ਆਟੋਰਿਗਰੈਸਿਵ (AR) ਮਾਡਲ ਦੱਸਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਮੁੱਲ ਪਿਛਲੇ ਮੁੱਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ। ਮੂਵਿੰਗ ਔਸਤ (MA) ਮਾਡਲ ਦੱਸਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਮੁੱਲ ਪਿਛਲੀਆਂ ਗਲਤੀਆਂ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ। ਦੋਵਾਂ ਦੇ ਸੁਮੇਲ ਨੂੰ ARMA ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜਦੋਂ ਡੇਟਾ ਨੂੰ ਸਥਿਰ ਬਣਾਉਣ ਲਈ ਅੰਤਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਮਾਡਲ ARIMA (ਆਟੋਰਿਗਰੈਸਿਵ ਇੰਟੀਗ੍ਰੇਟਿਡ ਮੂਵਿੰਗ ਔਸਤ) ਬਣ ਜਾਂਦਾ ਹੈ। ARIMA ਨੂੰ ARIMA(p, d, q) ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ p AR ਦਾ ਕ੍ਰਮ ਹੈ, d ਵਿਭਿੰਨਤਾ ਦਾ ਕ੍ਰਮ ਹੈ, ਅਤੇ q MA ਦਾ ਕ੍ਰਮ ਹੈ।

ਪੈਰਾਮੀਟਰ ਚੋਣ ਆਮ ਤੌਰ 'ਤੇ ACF/PACF ਅਤੇ AIC ਜਾਂ BIC ਵਰਗੇ ਜਾਣਕਾਰੀ ਮਾਪਦੰਡਾਂ ਦੁਆਰਾ ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ। ARIMA ਆਪਣੀ ਲਚਕਤਾ ਅਤੇ ਮਜ਼ਬੂਤ ​​ਸਿਧਾਂਤਕ ਬੁਨਿਆਦ ਦੇ ਕਾਰਨ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਆਰਥਿਕ ਅਤੇ ਵਪਾਰਕ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਇੱਕ ਮਿਆਰ ਰਿਹਾ ਹੈ।

3. ਮੌਸਮੀ ਲਈ SARIMA
ਜੇਕਰ ਡੇਟਾ ਵਿੱਚ ਇੱਕ ਸਪੱਸ਼ਟ ਮੌਸਮੀਤਾ ਹੈ—ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਮਹੀਨਾਵਾਰ-ਸਾਲ ਦਾ ਪੈਟਰਨ—ARIMA ਮਾਡਲ ਨੂੰ SARIMA (ਮੌਸਮੀ ARIMA) ਤੱਕ ਵਧਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਇੱਕ ਖਾਸ ਮੌਸਮੀ ਅਵਧੀ ਲਈ AR, ਡਿਫਰੈਂਸਿੰਗ, ਅਤੇ MA ਪੈਰਾਮੀਟਰ ਸਮੇਤ ਇੱਕ ਮੌਸਮੀ ਭਾਗ ਜੋੜਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, ਮਾਸਿਕ ਡੇਟਾ ਲਈ 12)। SARIMA ਪ੍ਰਤੀ ਮਹੀਨਾ ਸੈਲਾਨੀਆਂ ਦੀ ਗਿਣਤੀ, ਰੋਜ਼ਾਨਾ ਪੈਟਰਨ ਦੇ ਨਾਲ ਘੰਟਾਵਾਰ ਬਿਜਲੀ ਦੀ ਖਪਤ, ਜਾਂ ਮੌਸਮੀ ਉਤਪਾਦ ਦੀ ਮੰਗ ਵਰਗੇ ਡੇਟਾ ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ।

4. ਮਲਟੀਵੇਰੀਏਟ ਲਈ VAR
ਬਹੁਤ ਸਾਰੇ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਅਸੀਂ ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਤੋਂ ਵੱਧ ਸਮਾਂ ਲੜੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਮੁਦਰਾਸਫੀਤੀ, ਵਿਆਜ ਦਰਾਂ, ਅਤੇ ਵਟਾਂਦਰਾ ਦਰਾਂ। ਵੈਕਟਰ ਆਟੋਰੀਗ੍ਰੇਸ਼ਨ (VAR) ਹਰੇਕ ਵੇਰੀਏਬਲ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਪਿਛਲੇ ਮੁੱਲਾਂ ਅਤੇ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਹੋਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। VAR ਨੂੰ ਅਰਥਸ਼ਾਸਤਰ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਿਸਟਮ ਗਤੀਸ਼ੀਲਤਾ ਅਤੇ ਇੰਪਲਸ ਪ੍ਰਤੀਕਿਰਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਝਟਕਿਆਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

5. ਅਸਥਿਰਤਾ ਮਾਡਲ: ARCH/GARCH
ਵਿੱਤੀ ਡੇਟਾ ਵਿੱਚ, ਅਸਥਿਰਤਾ ਅਕਸਰ ਸਮੂਹਾਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ: ਸ਼ਾਂਤ ਸਮੇਂ ਦੇ ਦੌਰ ਤੋਂ ਬਾਅਦ ਉੱਚ ਅਸਥਿਰਤਾ ਦੇ ਦੌਰ। ARCH ਅਤੇ GARCH ਮਾਡਲਾਂ ਨੂੰ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲਣ ਵਾਲੇ ਪਰਿਵਰਤਨ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮਾਡਲ ਜੋਖਮ ਪ੍ਰਬੰਧਨ, ਸੰਪਤੀ ਮੁਲਾਂਕਣ ਅਤੇ ਮਾਰਕੀਟ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਮਾਪਣ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਹਨ।

ਮਾਡਲ ਮੁਲਾਂਕਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ

ਇੱਕ ਵਾਰ ਜਦੋਂ ਇੱਕ ਮਾਡਲ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਾਨੂੰ ਇਸਦੀ ਢੁਕਵੀਂਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਬਕਾਇਆ (ਅਸਲ ਅਤੇ ਅਨੁਮਾਨਿਤ ਡੇਟਾ ਵਿਚਕਾਰ ਅੰਤਰ) ਬੇਤਰਤੀਬ ਸ਼ੋਰ ਵਰਗਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ: ਅਣ-ਪੈਟਰਨ, ਗੈਰ-ਆਟੋ-ਸਹਿਯੋਗੀ, ਅਤੇ ਮੁਕਾਬਲਤਨ ਸਥਿਰ ਭਿੰਨਤਾਵਾਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਲਜੰਗ-ਬਾਕਸ ਟੈਸਟ ਅਕਸਰ ਬਕਾਇਆ ਆਟੋ-ਸਹਿਯੋਗ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਮਾਪਣ ਲਈ, MAE (ਮੀਨ ਐਬਸੋਲਿਉਟ ਐਰਰ), RMSE (ਰੂਟ ਮੀਨ ਸਕੁਏਅਰਡ ਐਰਰ), ਅਤੇ MAPE (ਮੀਨ ਐਬਸੋਲਿਉਟ ਪ੍ਰਤੀਸ਼ਤ ਐਰਰ) ਵਰਗੇ ਮੈਟ੍ਰਿਕਸ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਚੰਗਾ ਅਭਿਆਸ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਡੇਟਾ ਨੂੰ ਸਮੇਂ ਦੇ ਅਧਾਰ ਤੇ (ਸਮਾਂ-ਅਧਾਰਤ ਵੰਡ) ਵਿੱਚ ਵੰਡਿਆ ਜਾਵੇ, ਨਾ ਕਿ ਬੇਤਰਤੀਬ ਵੰਡ, ਤਾਂ ਜੋ ਮੁਲਾਂਕਣ ਅਸਲ ਭਵਿੱਖਬਾਣੀ ਸਥਿਤੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੋਵੇ।

ਸਮਾਂ ਲੜੀ ਵਿੱਚ ਆਮ ਚੁਣੌਤੀਆਂ

ਸਮਾਂ ਲੜੀ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਅਕਸਰ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਗੁੰਮ ਹੋਏ ਡੇਟਾ, ਮਾਪ ਪਰਿਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਬਦਲਾਅ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਬਾਹਰੀ ਮਾਪਦੰਡ, ਅਤੇ ਢਾਂਚਾਗਤ ਬ੍ਰੇਕ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਮਹਾਂਮਾਰੀ ਖਪਤ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬਦਲ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਮਹਾਂਮਾਰੀ ਤੋਂ ਪਹਿਲਾਂ ਦੇ ਸਮੇਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਘੱਟ ਸਹੀ ਹੋ ਜਾਂਦੇ ਹਨ। ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ, ਮਾਡਲ ਅੱਪਡੇਟ, ਬਾਹਰੀ ਵੇਰੀਏਬਲਾਂ ਦੀ ਵਰਤੋਂ, ਜਾਂ ਇੱਕ ਵਧੇਰੇ ਅਨੁਕੂਲ ਪਹੁੰਚ ਜ਼ਰੂਰੀ ਹੋ ਸਕਦੀ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਡੇਟਾ ਦਾ ਸਮਾਂ ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਲੰਬਾਈ ਉਹਨਾਂ ਤਰੀਕਿਆਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉੱਚ-ਆਵਿਰਤੀ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ, ਪ੍ਰਤੀ ਮਿੰਟ) ਲਈ ਸ਼ੋਰ ਅਤੇ ਗਣਨਾ ਦੇ ਵਿਸ਼ੇਸ਼ ਪ੍ਰਬੰਧਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਸਾਲਾਨਾ ਡੇਟਾ ਮੌਸਮੀਤਾ ਦੀ ਮਜ਼ਬੂਤੀ ਨਾਲ ਪਛਾਣ ਕਰਨ ਲਈ ਬਹੁਤ ਛੋਟਾ ਹੋ ਸਕਦਾ ਹੈ।

ਬੰਦ ਕੀਤਾ ਜਾ ਰਿਹਾ

ਅੰਕੜਿਆਂ ਵਿੱਚ ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮੇਂ ਦੇ ਨਾਲ ਵਿਕਸਤ ਹੋਣ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਅਮੀਰ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਰੁਝਾਨ, ਮੌਸਮੀਤਾ, ਅਤੇ ਸਵੈ-ਸਬੰਧ ਦੇ ਹਿੱਸਿਆਂ ਨੂੰ ਪਛਾਣ ਕੇ, ਅਤੇ ਸਹੀ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਕੇ - ਘਾਤਕ ਸਮੂਥਿੰਗ ਤੋਂ ਲੈ ਕੇ ARIMA, VAR, ਅਤੇ GARCH ਤੱਕ - ਅਸੀਂ ਵਧੇਰੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਬਣਾ ਸਕਦੇ ਹਾਂ ਅਤੇ ਤਿੱਖੀ ਸੂਝ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਹਾਲਾਂਕਿ, ਸਫਲ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾ ਸਿਰਫ਼ ਤਕਨੀਕ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਸਗੋਂ ਸੰਦਰਭ, ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਸਖ਼ਤ ਮੁਲਾਂਕਣ ਨੂੰ ਸਮਝਣ 'ਤੇ ਵੀ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇੱਕ ਅਜਿਹੀ ਦੁਨੀਆਂ ਵਿੱਚ ਜੋ ਅਸਲ-ਸਮੇਂ ਦੇ ਡੇਟਾ 'ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਨਿਰਭਰ ਹੈ, ਸਮਾਂ ਲੜੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਅਭਿਆਸੀਆਂ ਦੋਵਾਂ ਲਈ ਇੱਕ ਵਧਦੀ ਮਹੱਤਵਪੂਰਨ ਹੁਨਰ ਬਣ ਰਹੀ ਹੈ।