සංඛ්යාලේඛනවල කාල ශ්රේණි විශ්ලේෂණය
කාල ශ්රේණි විශ්ලේෂණය යනු දිනපතා, සතිපතා, මාසිකව හෝ වාර්ෂිකව වැනි කාලය තුළ අනුක්රමිකව එකතු කරන ලද දත්ත අධ්යයනය කරන සංඛ්යාලේඛන අංශයකි. එක් කාලයකදී එකතු කරන ලද හරස්කඩ දත්ත මෙන් නොව, කාල ශ්රේණි විශ්ලේෂණය කාලයත් සමඟ වර්ධනය වන වෙනස්වීම් සහ රටා වල ගතිකත්වය අවධාරණය කරයි. ආර්ථික විද්යාව, ව්යාපාර, මහජන සෞඛ්ය, බලශක්තිය සහ දේශගුණය යන ක්ෂේත්රවල බොහෝ වැදගත් තීරණ අතීත ප්රවණතා තේරුම් ගැනීම සහ අනාගත ඒවා පුරෝකථනය කිරීම මත රඳා පවතින බැවින්, කාල ශ්රේණි විශ්ලේෂණය පර්යේෂණ සහ භාවිතයේ තීරණාත්මක මෙවලමකි.
කාල ශ්රේණි දත්තවල ලක්ෂණ
කාල ශ්රේණියක ප්රධාන ලක්ෂණය වන්නේ වැදගත් තොරතුරු අහිමි නොවී මාරු කළ නොහැකි අනුපිළිවෙලක් තිබීමයි. අද දින අගය සාමාන්යයෙන් ඊයේ දින අගයට සම්බන්ධ වන අතර, මෙම මාසයේ අගය වාර්ෂික රටා මගින් බලපෑම් කළ හැකිය. මෙම අන්තර් කාලීන යැපීම ස්වයං සහසම්බන්ධතාවය ලෙස හැඳින්වේ. තවද, කාල ශ්රේණි බොහෝ විට ප්රවණතා (දිගු කාලීන චලනයන්), සෘතුමයභාවය (කාලයත් සමඟ පුනරාවර්තන රටා), චක්ර (සෑම විටම නිතිපතා නොවන අතරමැදි කාලීන තරංග) සහ ශබ්දය හෝ අහඹු දෝෂ වැනි සංරචක ප්රදර්ශනය කරයි.
උදාහරණයක් ලෙස, සිල්ලර විකුණුම් නිවාඩු දිනවල (සෘතුමය) වැඩි වීමට නැඹුරු වන නමුත් ආර්ථික වර්ධනය (ප්රවණතාවය) හේතුවෙන් ඒවා වසරින් වසර සෙමින් වැඩි විය හැකිය. සැපයුම් බාධා කිරීම් හෝ ප්රතිපත්ති වෙනස්කම් වැනි අනපේක්ෂිත සිදුවීම් හේතුවෙන් සිදුවන උච්චාවචනයන් අහඹු සංරචකයට අයත් වේ.
කාල ශ්රේණි විශ්ලේෂණයේ අරමුණ
සාමාන්යයෙන්, කාල ශ්රේණි විශ්ලේෂණයට ප්රධාන අරමුණු කිහිපයක් ඇත. පළමුව, එය දත්ත රටා සංක්ෂිප්තව සහ තොරතුරු සහිත ලෙස විස්තර කරයි, උදාහරණයක් ලෙස ප්රවණතා සෘතුමයත්වයෙන් වෙන් කිරීමෙන්. දෙවනුව, එය සංඛ්යානමය ආකෘති හරහා දත්ත සෑදීමේ යාන්ත්රණයන් පැහැදිලි කරයි, කාලයත් සමඟ වටිනාකම්වල වෙනස්කම් පිටුපස ඇති ක්රියාවලීන් තේරුම් ගැනීමට අපට ඉඩ සලසයි. තෙවනුව, එය පුරෝකථනය කරයි, එය ඓතිහාසික රටා මත පදනම්ව අනාගත අගයන් ඇස්තමේන්තු කරයි. හතරවනුව, එය ආර්ථික අර්බුද, වෙළඳපල හැසිරීම් වල වෙනස්කම් හෝ දත්ත අපගමනයන්ට හේතු වන අක්රමිකතා වැනි විෂමතා හෝ ව්යුහාත්මක වෙනස්කම් හඳුනා ගනී.
පළමු පියවර: දෘශ්යකරණය සහ ගවේෂණය
සාමාන්ය ආරම්භක පියවරක් වන්නේ කාලයට එරෙහිව දත්ත සැලසුම් කිරීමයි. සරල දෘශ්යකරණයන් බොහෝ විට ඉහළට හෝ පහළට ප්රවණතා, සෘතුමය රටා සහ බාහිර සාධක හෙළි කරයි. කෙටි කාලීන උච්චාවචනයන් සුමට කිරීම සඳහා චලනය වන සාමාන්යයක් ගණනය කිරීම හෝ ප්රවණතා, සෘතුමය සහ අවශේෂ සංරචක වෙන් කිරීම සඳහා කාල ශ්රේණි වියෝජනය භාවිතා කිරීම වැනි මූලික සංඛ්යානමය විශ්ලේෂණයක් සිදු කරනු ලැබේ.
කාල ශ්රේණි ගවේෂණයේ වැදගත් මෙවලම් දෙකක් වන්නේ ස්වයං සහසම්බන්ධතා ශ්රිතය (ACF) සහ අර්ධ ස්වයං සහසම්බන්ධතා ශ්රිතය (PACF) ය. විවිධ ප්රමාදයන්හිදී වත්මන් අගය සහ අගයන් අතර සම්බන්ධතාවය කෙතරම් ශක්තිමත්ද යන්න ACF මඟින් පෙන්වයි (උදා: දින 1 කට පෙර, දින 2 කට පෙර සහ යනාදිය). කුඩා ප්රමාදයන්ගේ බලපෑම පාලනය කිරීමෙන් පසු ප්රමාදයක සෘජු බලපෑම හඳුනා ගැනීමට PACF උපකාරී වේ. නිවැරදි ආකෘතිය තෝරා ගැනීම සඳහා ACF සහ PACF වෙතින් ලැබෙන තොරතුරු ඉතා ප්රයෝජනවත් වේ.
ස්ථාවරත්වය පිළිබඳ සංකල්පය
බොහෝ සම්භාව්ය කාල ශ්රේණි ක්රම - විශේෂයෙන් ARIMA පවුල - දත්ත නිශ්චල බව උපකල්පනය කරයි. නිශ්චල කාල ශ්රේණියක් යනු එහි සංඛ්යානමය ගුණාංග (මධ්යන්යය සහ විචලනය වැනි) කාලයත් සමඟ සාපේක්ෂව නියත වන අතර ස්වයං සහසම්බන්ධතාවය නිරපේක්ෂ කාලය මත නොව කාල ප්රමාදය මත පමණක් රඳා පවතින බවයි.
දත්ත ප්රබල ප්රවණතාවක් හෝ පැහැදිලි සෘතුමය බවක් පෙන්නුම් කරන්නේ නම්, එය සාමාන්යයෙන් නිශ්චල නොවේ. එය නිශ්චල කිරීමට, විශ්ලේෂකයින් බොහෝ විට අවකලනය (කාල පරිච්ඡේද අතර වෙනස ගැනීම) හෝ විචලනය ස්ථාවර කිරීම සඳහා ලොග් පරිවර්තනයන් වැනි පරිවර්තනයන් භාවිතා කරයි. Augmented Dickey-Fuller (ADF) හෝ KPSS වැනි විධිමත් පරීක්ෂණ මගින් ස්ථාවරත්වය තක්සේරු කිරීමට උපකාරී විය හැක, නමුත් ඒවායේ අර්ථ නිරූපණයට තවමත් සන්දර්භීය අවබෝධය සහ දෘශ්ය පරීක්ෂාවේ එකතුවක් අවශ්ය වේ.
ජනප්රිය කාල ශ්රේණි ආකෘති
1. චලනය වන සාමාන්ය ආකෘතිය සහ ඝාතීය සුමටනය
කෙටි කාලීන පුරෝකථනයන්හිදී සුමට කිරීමේ ක්රම බහුලව භාවිතා වේ. චලනය වන සාමාන්යයන් ඊළඟ කාල පරිච්ඡේදය පුරෝකථනය කිරීම සඳහා අවසාන කාල පරිච්ඡේද කිහිපයේ සාමාන්යය ගනී. ඝාතීය සුමට කිරීම මෑත කාලීන නිරීක්ෂණවලට වැඩි බරක් ලබා දෙයි. සරල ඝාතීය සුමට කිරීම වැනි ක්රම ප්රවණතා රහිත සහ සෘතුමය දත්ත සඳහා සුදුසු වන අතර හෝල්ට්ගේ ක්රමය ප්රවණතා හසුරුවන අතර හෝල්ට්-වින්ටර්ස් ප්රවණතා සහ සෘතුමයභාවය යන දෙකම හසුරුවයි.
සුමට කිරීමේ ක්රමවල වාසි වන්නේ ඒවා සරල, වේගවත් සහ බොහෝ විට මෙහෙයුම් අරමුණු සඳහා හොඳින් ක්රියා කිරීමයි. කෙසේ වෙතත්, ඒවා සෑම විටම ස්වයංක්රීය සහසම්බන්ධතා ව්යුහය පිළිබඳ සම්පූර්ණ අර්ථකථනයක් ලබා නොදේ.
2. AR, MA, සහ ARIMA
ස්වයංක්රීය ප්රගතිශීලී (AR) ආකෘතිය පවසන්නේ වත්මන් අගයන් අතීත අගයන් මත රඳා පවතින බවයි. චලනය වන සාමාන්ය (MA) ආකෘතිය පවසන්නේ වත්මන් අගයන් අතීත දෝෂ මගින් බලපාන බවයි. මේ දෙකෙහි සංයෝජනය ARMA ලෙස හඳුන්වන අතර, දත්ත ස්ථාවර කිරීමට වෙනස් කළ යුතු විට, ආකෘතිය ARIMA (ස්වයං ප්රගතිශීලී ඒකාබද්ධ චලන සාමාන්යය) බවට පත්වේ. ARIMA යනු ARIMA(p, d, q) ලෙස ලියා ඇති අතර, p යනු AR හි අනුපිළිවෙල වන අතර, d යනු අවකලනය කිරීමේ අනුපිළිවෙල වන අතර q යනු MA හි අනුපිළිවෙල වේ.
පරාමිති තේරීම සාමාන්යයෙන් ACF/PACF සහ AIC හෝ BIC වැනි තොරතුරු නිර්ණායක මගින් සහාය වේ. ARIMA එහි නම්යශීලීභාවය සහ ශක්තිමත් න්යායික පදනම හේතුවෙන් ආර්ථික හා ව්යාපාර පුරෝකථනයේ ප්රමිතියක් ලෙස දිගු කලක් තිස්සේ පැවතුනි.
3. සෘතුමය සඳහා SARIMA
දත්තවලට පැහැදිලි සෘතුමයභාවයක් තිබේ නම් - උදාහරණයක් ලෙස, මාසික-වසර රටාවක් - ARIMA ආකෘතිය SARIMA (සෘතුමය ARIMA) දක්වා දීර්ඝ කෙරේ. මෙම ආකෘතිය නිශ්චිත සෘතුමය කාල පරිච්ඡේදයක් සඳහා AR, අවකලනය සහ MA පරාමිතීන් ඇතුළුව සෘතුමය සංරචකයක් එක් කරයි (නිදසුනක් ලෙස, මාසික දත්ත සඳහා 12). මසකට සංචාරකයින් සංඛ්යාව, දෛනික රටාවක් සහිත පැයක විදුලි පරිභෝජනය හෝ සෘතුමය නිෂ්පාදන ඉල්ලුම වැනි දත්ත සඳහා SARIMA ඵලදායී වේ.
4. බහුවිචල්ය සඳහා VAR
බොහෝ අවස්ථාවන්හිදී, අපි එකවර කාල ශ්රේණි එකකට වඩා විශ්ලේෂණය කරමු, උදාහරණයක් ලෙස උද්ධමනය, පොලී අනුපාත සහ විනිමය අනුපාත. දෛශික ස්වයංක්රීය ප්රතිගමනය (VAR) මඟින් සෑම විචල්යයකටම තමන්ගේම අතීත අගයන් සහ අනෙකුත් විචල්යයන් මගින් බලපෑම් කිරීමට ඉඩ සලසයි. ආවේග ප්රතිචාර විශ්ලේෂණය හරහා පද්ධති ගතිකත්වය සහ කම්පනවල බලපෑම් අධ්යයනය කිරීම සඳහා ආර්ථිකමිතික විද්යාවේ VAR බහුලව භාවිතා වේ.
5. අස්ථාවරතා ආකෘතිය: ARCH/GARCH
මූල්ය දත්ත වලදී, අස්ථාවරත්වය බොහෝ විට පොකුරු ලෙස සිදු වේ: සන්සුන් කාල පරිච්ඡේද සහ ඉහළ අස්ථාවරත්ව කාල පරිච්ඡේද. ARCH සහ GARCH ආකෘති නිර්මාණය කර ඇත්තේ කාලයත් සමඟ වෙනස් වන විචලනය ආදර්ශනය කිරීමට ය. අවදානම් කළමනාකරණය, වත්කම් තක්සේරු කිරීම සහ වෙළඳපල අවිනිශ්චිතතාව මැනීමේදී මෙම ආකෘති වැදගත් වේ.
ආදර්ශ ඇගයීම සහ පුරෝකථන නිරවද්යතාවය
ආකෘතියක් තෝරාගත් පසු, අපි එහි ප්රමාණවත් බව ඇගයීමට ලක් කළ යුතුය. අවශේෂ (සැබෑ සහ පුරෝකථනය කරන ලද දත්ත අතර වෙනස) අහඹු ශබ්දයට සමාන විය යුතුය: රටා රහිත, ස්වයංක්රීය සහසම්බන්ධ නොවන සහ සාපේක්ෂව ස්ථායී විචලනයක් තිබිය යුතුය. අවශේෂ ස්වයං සහසම්බන්ධතාවය පරීක්ෂා කිරීම සඳහා Ljung-Box පරීක්ෂණය බොහෝ විට භාවිතා වේ.
පුරෝකථන ගුණාත්මකභාවය මැනීම සඳහා, MAE (මධ්යන්ය නිරපේක්ෂ දෝෂය), RMSE (මූල මධ්යන්ය වර්ග දෝෂය) සහ MAPE (මධ්යන්ය නිරපේක්ෂ ප්රතිශත දෝෂය) වැනි මිනුම් භාවිතා කරනු ලැබේ. හොඳ පිළිවෙතක් වන්නේ අහඹු බෙදීම වෙනුවට කාලය මත පදනම් වූ පුහුණු දත්ත සහ පරීක්ෂණ දත්ත වලට දත්ත බෙදීමයි (කාලය මත පදනම් වූ බෙදීම), එවිට ඇගයීම සැබෑ පුරෝකථන තත්වයන් පිළිබිඹු කරයි.
කාල ශ්රේණියේ පොදු අභියෝග
කාල ශ්රේණි විශ්ලේෂණය බොහෝ විට දත්ත අස්ථානගත වීම, මිනුම් අර්ථ දැක්වීම්වල වෙනස්කම්, ආන්තික පිටස්තරයන් සහ ව්යුහාත්මක බිඳීම් වැනි අභියෝගවලට මුහුණ දෙයි. නිදසුනක් වශයෙන්, වසංගතයකට පරිභෝජන රටා දැඩි ලෙස වෙනස් කළ හැකි අතර, පූර්ව වසංගත කාල පරිච්ඡේද පිළිබඳව පුහුණු කරන ලද ආකෘති අඩු නිරවද්යතාවයක් ඇති කරයි. එවැනි අවස්ථාවන්හිදී, ආකෘති යාවත්කාලීන කිරීම්, බාහිර විචල්යයන් භාවිතා කිරීම හෝ වඩාත් අනුවර්තන ප්රවේශයක් අවශ්ය විය හැකිය.
තවද, දත්තවල කාල විභේදනය සහ දිග භාවිතා කළ හැකි ක්රමවලට සැලකිය යුතු ලෙස බලපායි. අධි-සංඛ්යාත දත්ත (උදා: මිනිත්තුවකට) සඳහා ශබ්දය සහ ගණනය කිරීම සඳහා විශේෂ හැසිරවීමක් අවශ්ය වන අතර, වාර්ෂික දත්ත සෘතුමය බව ශක්තිමත් ලෙස හඳුනා ගැනීමට ඉතා කෙටි විය හැකිය.
වසා දැමීම
සංඛ්යාලේඛනවල කාල ශ්රේණි විශ්ලේෂණය කාලයත් සමඟ පරිණාමය වන දත්ත තේරුම් ගැනීම සඳහා පොහොසත් රාමුවක් සපයයි. ප්රවණතාවය, සෘතුමයභාවය සහ ස්වයං සහසම්බන්ධතා සංරචක හඳුනා ගැනීමෙන් සහ ඝාතීය සුමට කිරීමේ සිට ARIMA, VAR සහ GARCH දක්වා නිවැරදි ආකෘතිය තෝරා ගැනීමෙන් අපට වඩාත් නිවැරදි අනාවැකි ගොඩනඟා තියුණු අවබෝධයක් ලබා ගත හැකිය. කෙසේ වෙතත්, සාර්ථක විශ්ලේෂණය රඳා පවතින්නේ තාක්ෂණය මත පමණක් නොව සන්දර්භය, දත්ත ගුණාත්මකභාවය සහ දැඩි ඇගයීම අවබෝධ කර ගැනීම මත ය. තත්ය කාලීන දත්ත මත වැඩි වැඩියෙන් රඳා පවතින ලෝකයක, කාල ශ්රේණි විශ්ලේෂණය කිරීමේ හැකියාව පර්යේෂකයන්ට සහ වෘත්තිකයන්ට වඩ වඩාත් වැදගත් කුසලතාවක් බවට පත්වෙමින් තිබේ.
