شماريات ۾ ٽائيم سيريز تجزيو
ٽائيم سيريز تجزيو انگ اکر جي هڪ شاخ آهي جيڪا وقت سان گڏ ترتيب وار گڏ ڪيل ڊيٽا جو مطالعو ڪري ٿي، جهڙوڪ روزانو، هفتيوار، ماهوار، يا ساليانو. ڪراس سيڪشنل ڊيٽا جي برعڪس، جيڪي وقت ۾ هڪ ئي نقطي تي گڏ ڪيا ويندا آهن، ٽائيم سيريز تجزيو تبديلي جي حرڪيات ۽ نمونن تي زور ڏئي ٿو جيڪي وقت سان گڏ ترقي ڪن ٿا. ڇاڪاڻ ته ڪيترائي اهم فيصلا - معاشيات، ڪاروبار، عوامي صحت، توانائي، ۽ حتي موسم ۾ - ماضي جي رجحانن کي سمجهڻ ۽ مستقبل جي اڳڪٿي ڪرڻ تي منحصر آهن، ٽائيم سيريز تجزيو تحقيق ۽ عمل ۾ هڪ اهم اوزار آهي.
ٽائم سيريز ڊيٽا جون خاصيتون
وقت جي سلسلي جي مکيه خاصيت اها آهي ته ان جي ترتيب کي اهم معلومات وڃائڻ کان سواءِ تبديل نٿو ڪري سگهجي. اڄ جي قدر عام طور تي ڪالهه جي قدر سان لاڳاپيل هوندي آهي، ۽ هن مهيني جي قدر سالياني نمونن کان متاثر ٿي سگهي ٿي. هن وقتي انحصار کي خود-رابطي سڏيو ويندو آهي. وڌيڪ، وقت جي سلسلي اڪثر ڪري رجحانات (ڊگهي مدت جي حرڪت)، موسمي (وقت سان گڏ بار بار ٿيندڙ نمونا)، چڪر (وچولي مدت جون لهرون جيڪي هميشه باقاعده نه هونديون آهن)، ۽ شور يا بي ترتيب غلطيون جهڙن جزن کي ظاهر ڪن ٿيون.
مثال طور، پرچون وڪرو موڪلن (موسمي) جي چوڌاري وڌندا آهن، پر اهي اقتصادي واڌ (رجحان) جي ڪري سال کان سال سست رفتاري سان وڌي سگهن ٿا. غير متوقع واقعن جي ڪري ٿيندڙ اتار چڙهاؤ - جهڙوڪ سپلائي ۾ خلل يا پاليسي ۾ تبديليون - بي ترتيب جزو هيٺ اچن ٿيون.
ٽائيم سيريز تجزيي جو مقصد
عام طور تي، ٽائيم سيريز تجزيي جا ڪيترائي مکيه مقصد آهن. پهريون، اهو ڊيٽا جي نمونن کي مختصر ۽ معلوماتي طور تي بيان ڪري ٿو، مثال طور رجحانات کي موسميات کان الڳ ڪندي. ٻيو، اهو شمارياتي ماڊلز ذريعي ڊيٽا جي ٺهڻ جي ميڪانيزم کي بيان ڪري ٿو، اسان کي وقت سان گڏ قدرن ۾ تبديلين جي پويان عملن کي سمجهڻ جي اجازت ڏئي ٿو. ٽيون، اهو اڳڪٿي ڪري ٿو، جيڪو تاريخي نمونن جي بنياد تي مستقبل جي قدرن جو اندازو لڳائي ٿو. چوٿون، اهو غير معمولي يا ساخت جي تبديلين کي ڳولي ٿو، جهڙوڪ معاشي بحران، مارڪيٽ جي رويي ۾ تبديليون، يا ماپڻ جا اوزار جيڪي ڊيٽا جي انحراف جو سبب بڻجن ٿا، خراب ڪم ڪري ٿو.
پهريون قدم: بصري ۽ ڳولا
هڪ عام شروعاتي قدم وقت جي خلاف ڊيٽا کي پلاٽ ڪرڻ آهي. سادو تصور اڪثر ڪري مٿي يا هيٺئين طرف رجحانات، موسمي نمونن، ۽ ٻاهرين عنصرن کي ظاهر ڪن ٿا. پوءِ ابتدائي شمارياتي تجزيو ڪيو ويندو آهي، جيئن مختصر مدت جي اتار چڙهاؤ کي هموار ڪرڻ لاءِ هلندڙ اوسط جو حساب لڳائڻ يا رجحان، موسمي ۽ باقي حصن کي الڳ ڪرڻ لاءِ وقت جي سيريز جي خرابي کي استعمال ڪرڻ.
پلاٽن کان علاوه، ٽائيم سيريز جي ڳولا ۾ ٻه اهم اوزار آٽوڪوريليشن فنڪشن (ACF) ۽ جزوي آٽوڪوريليشن فنڪشن (PACF) آهن. ACF ڏيکاري ٿو ته مختلف وقفن تي موجوده قدر ۽ قدرن جي وچ ۾ تعلق ڪيترو مضبوط آهي (مثال طور، 1 ڏينهن اڳ، 2 ڏينهن اڳ، ۽ انهي تي). PACF ننڍن وقفن جي اثر کي ڪنٽرول ڪرڻ کان پوءِ وقفي جي سڌي اثر کي سڃاڻڻ ۾ مدد ڪري ٿو. ACF ۽ PACF کان معلومات صحيح ماڊل چونڊڻ لاءِ تمام ڪارآمد آهي.
اسٽيشنريٽي جو تصور
ڪيترائي ڪلاسيڪل ٽائيم سيريز طريقا - خاص طور تي ARIMA خاندان - فرض ڪن ٿا ته ڊيٽا جامد آهي. هڪ جامد ٽائيم سيريز جو مطلب آهي ته ان جون شمارياتي خاصيتون (جهڙوڪ اوسط ۽ ويرينس) وقت سان نسبتاً مستقل آهن، ۽ اهو خودڪار لاڳاپو صرف وقت جي وقفي تي منحصر آهي، مطلق وقت تي نه.
جيڪڏهن ڊيٽا هڪ مضبوط رجحان يا واضح موسمي نمائش ڏيکاري ٿي، ته اهو عام طور تي غير اسٽيشنري هوندو آهي. ان کي اسٽيشنري بڻائڻ لاءِ، تجزيه نگار اڪثر ڪري تبديلين کي استعمال ڪندا آهن جهڙوڪ فرق (مدتن جي وچ ۾ فرق وٺڻ) يا لاگ ٽرانسفارميشن کي ويرينس کي مستحڪم ڪرڻ لاءِ. باضابطه ٽيسٽ جهڙوڪ آگمينٽيڊ ڊڪي-فلر (ADF) يا KPSS اسٽيشنريٽي جو جائزو وٺڻ ۾ مدد ڪري سگهن ٿا، جيتوڻيڪ انهن جي تشريح کي اڃا تائين لاڳاپيل سمجھ ۽ بصري معائني جي ميلاپ جي ضرورت آهي.
مشهور ٽائيم سيريز ماڊلز
1. هلندڙ اوسط ماڊل ۽ ايڪسپونيشل سموٿنگ
مختصر مدت جي اڳڪٿي ۾ هموار ڪرڻ جا طريقا وڏي پيماني تي استعمال ٿيندا آهن. هلندڙ اوسط ايندڙ دور جي اڳڪٿي ڪرڻ لاءِ آخري ڪجهه دورن جي اوسط کي وٺندا آهن. ايڪسپونيشل سموٿنگ تازين مشاهدن کي وڌيڪ وزن ڏئي ٿي. سادي ايڪسپونيشل سموٿنگ جهڙا طريقا رجحان کان سواءِ ۽ موسمي ڊيٽا لاءِ موزون آهن، جڏهن ته هولٽ جو طريقو رجحانن کي سنڀاليندو آهي، ۽ هولٽ-ونٽرز رجحانن ۽ موسمي ٻنهي کي سنڀاليندو آهي.
هموار ڪرڻ جي طريقن جا فائدا هي آهن ته اهي سادا، تيز آهن، ۽ اڪثر ڪري آپريشنل مقصدن لاءِ سٺو ڪم ڪن ٿا. بهرحال، اهي هميشه خود-رابطي جي جوڙجڪ جي مڪمل تشريح فراهم نٿا ڪن.
2. اي آر، ايم اي، ۽ اريما
آٽو ريگريسيو (AR) ماڊل ٻڌائي ٿو ته موجوده قدر ماضي جي قدرن تي منحصر آهن. حرڪت وارو اوسط (MA) ماڊل ٻڌائي ٿو ته موجوده قدر ماضي جي غلطين کان متاثر ٿين ٿا. ٻنهي جي ميلاپ کي ARMA سڏيو ويندو آهي، ۽ جڏهن ڊيٽا کي اسٽيشنري بڻائڻ لاءِ فرق ڪرڻ جي ضرورت هوندي آهي، ته ماڊل ARIMA (آٽو ريگريسيو انٽيگريٽيڊ موونگ ايوريج) بڻجي ويندو آهي. ARIMA کي ARIMA(p, d, q) طور لکيو ويندو آهي، جتي p AR جو حڪم آهي، d فرق جو حڪم آهي، ۽ q MA جو حڪم آهي.
پيرا ميٽر جي چونڊ عام طور تي ACF/PACF ۽ معلوماتي معيار جهڙوڪ AIC يا BIC جي مدد سان ٿيندي آهي. ARIMA ڊگهي عرصي کان پنهنجي لچڪ ۽ مضبوط نظرياتي بنياد جي ڪري اقتصادي ۽ ڪاروباري اڳڪٿي ۾ هڪ معيار رهيو آهي.
3. موسمي لاءِ ساريما
جيڪڏهن ڊيٽا ۾ هڪ واضح موسمي آهي - مثال طور، هڪ مهيني-سال جو نمونو - ARIMA ماڊل SARIMA (موسمي ARIMA) تائين وڌايو ويندو آهي. هي ماڊل هڪ موسمي جزو شامل ڪري ٿو، جنهن ۾ AR، فرق، ۽ MA پيرا ميٽرز هڪ مخصوص موسمي دور لاءِ (مثال طور، مهيني جي ڊيٽا لاءِ 12). SARIMA ڊيٽا لاءِ اثرائتو آهي جهڙوڪ هر مهيني سياحن جو تعداد، روزاني نموني سان ڪلاڪ جي بجلي جو استعمال، يا موسمي پيداوار جي طلب.
4. ملٽي ويريئيٽ لاءِ VAR
ڪيترين ئي صورتن ۾، اسين هڪ ئي وقت هڪ کان وڌيڪ وقت جي سيريز جو تجزيو ڪندا آهيون، جهڙوڪ افراط زر، سود جي شرح، ۽ مٽا سٽا جي شرح. ویکٹر آٽو ريگريشن (VAR) هر متغير کي ان جي پنهنجي ماضي جي قدرن ۽ ٻين متغيرن کان متاثر ٿيڻ جي اجازت ڏئي ٿو. VAR کي اقتصاديات ۾ وڏي پيماني تي استعمال ڪيو ويندو آهي ته جيئن نظام جي حرڪت ۽ تسلسل جي جواب جي تجزيي ذريعي جھٽڪن جي اثرات جو مطالعو ڪري سگهجي.
5. اتار چڙهاؤ ماڊل: آرچ/گارچ
مالي ڊيٽا ۾، اتار چڙهاؤ اڪثر ڪلسٽرن ۾ ٿيندو آهي: پرسڪون دورن کان پوءِ اعليٰ اتار چڙهاؤ جا دور. ARCH ۽ GARCH ماڊل وقت سان گڏ تبديل ٿيندڙ تبديلين جي ماڊلنگ لاءِ ٺاهيا ويا آهن. اهي ماڊل خطري جي انتظام، اثاثن جي قيمت، ۽ مارڪيٽ جي غير يقيني صورتحال کي ماپڻ ۾ اهم آهن.
ماڊل تشخيص ۽ اڳڪٿي جي درستگي
هڪ دفعو ماڊل چونڊيو وڃي ٿو، اسان کي ان جي ڪافي هجڻ جو جائزو وٺڻ جي ضرورت آهي. باقيات (حقيقي ۽ پيشنگوئي ڪيل ڊيٽا جي وچ ۾ فرق) بي ترتيب شور سان ملندڙ جلندڙ هجڻ گهرجن: غير نموني، غير خودڪار رابطي سان لاڳاپيل، ۽ نسبتا مستحڪم ويرينس. لجنگ باڪس ٽيسٽ اڪثر ڪري باقي خودڪار رابطي جي جانچ ڪرڻ لاءِ استعمال ڪيو ويندو آهي.
اڳڪٿي جي معيار کي ماپڻ لاءِ، MAE (مين ايبسولٽ ايرر)، RMSE (روٽ مين اسڪوائرڊ ايرر)، ۽ MAPE (مين ايبسولٽ پرسنٽيج ايرر) جهڙا ميٽرڪ استعمال ڪيا ويندا آهن. هڪ سٺو عمل اهو آهي ته ڊيٽا کي تربيت ۽ ٽيسٽ ڊيٽا ۾ ورهايو وڃي وقت جي بنياد تي (وقت تي ٻڌل اسپلٽ)، بي ترتيب اسپلٽ جي بدران، ته جيئن تشخيص اصل اڳڪٿي جي حالتن کي ظاهر ڪري.
ٽائيم سيريز ۾ عام چئلينجز
ٽائيم سيريز تجزيي کي اڪثر چئلينجن کي منهن ڏيڻو پوي ٿو جهڙوڪ ڊيٽا جي کوٽ، ماپ جي تعريفن ۾ تبديليون، انتهائي ٻاهريون شيون، ۽ ساختي وقفا. مثال طور، هڪ وبا استعمال جي نمونن کي ڊرامائي طور تي تبديل ڪري سگهي ٿي، وبا کان اڳ واري دورن تي تربيت يافته ماڊلز کي گهٽ درست بڻائي ٿي. اهڙين حالتن ۾، ماڊل اپڊيٽس، خارجي متغيرن جو استعمال، يا وڌيڪ موافقت وارو طريقو ضروري ٿي سگهي ٿو.
وڌيڪ، ڊيٽا جي وقت جي حل ۽ ڊيگهه انهن طريقن تي خاص طور تي اثر انداز ٿئي ٿي جيڪي استعمال ڪري سگهجن ٿا. اعليٰ فريڪوئنسي ڊيٽا (مثال طور، في منٽ) کي شور ۽ حساب جي خاص سنڀال جي ضرورت آهي، جڏهن ته سالياني ڊيٽا موسمي طور تي مضبوطيءَ سان سڃاڻڻ لاءِ تمام ننڍو ٿي سگهي ٿو.
پينوٽ اپ
شماريات ۾ ٽائيم سيريز جو تجزيو ڊيٽا کي سمجهڻ لاءِ هڪ امير فريم ورڪ فراهم ڪري ٿو جيڪو وقت سان گڏ ترقي ڪري ٿو. رجحان، موسمي، ۽ خودڪشي جي جزن کي سڃاڻڻ سان، ۽ صحيح ماڊل چونڊڻ سان - ايڪسپونينشل اسموٿنگ کان وٺي ARIMA، VAR، ۽ GARCH تائين - اسان وڌيڪ صحيح اڳڪٿيون ٺاهي سگهون ٿا ۽ تيز بصيرت حاصل ڪري سگهون ٿا. بهرحال، ڪامياب تجزيو صرف ٽيڪنڪ تي نه پر سمجهه جي تناظر، ڊيٽا جي معيار، ۽ سخت تشخيص تي پڻ منحصر آهي. هڪ اهڙي دنيا ۾ جيڪا حقيقي وقت جي ڊيٽا تي وڌيڪ انحصار ڪري رهي آهي، وقت جي سيريز جو تجزيو ڪرڻ جي صلاحيت محققن ۽ عملي ٻنهي لاءِ هڪ اهم مهارت بڻجي رهي آهي.
