புள்ளியியலில் காலத் தொடர் பகுப்பாய்வு
காலத் தொடர் பகுப்பாய்வு என்பது, தினசரி, வாராந்திர, மாதாந்திர அல்லது வருடாந்திரம் போன்ற காலங்களில் தொடர்ச்சியாகச் சேகரிக்கப்படும் தரவுகளை ஆய்வு செய்யும் புள்ளியியலின் ஒரு பிரிவாகும். ஒரே ஒரு காலகட்டத்தில் சேகரிக்கப்படும் குறுக்குவெட்டுத் தரவுகளைப் போலல்லாமல், காலத் தொடர் பகுப்பாய்வானது, காலப்போக்கில் உருவாகும் மாற்றங்களின் இயக்கவியல் மற்றும் வடிவங்களுக்கு முக்கியத்துவம் அளிக்கிறது. பொருளாதாரம், வணிகம், பொது சுகாதாரம், ஆற்றல் மற்றும் காலநிலை போன்ற பல துறைகளில் எடுக்கப்படும் பல முக்கிய முடிவுகள், கடந்தகாலப் போக்குகளைப் புரிந்துகொள்வதையும் எதிர்காலப் போக்குகளைக் கணிப்பதையும் சார்ந்திருப்பதால், காலத் தொடர் பகுப்பாய்வு என்பது ஆராய்ச்சி மற்றும் நடைமுறையில் ஒரு முக்கியமான கருவியாக விளங்குகிறது.
காலத் தொடர் தரவுகளின் பண்புகள்
ஒரு காலத் தொடரின் முக்கியப் பண்பு என்னவென்றால், முக்கியமான தகவல்களை இழக்காமல் அதன் வரிசையைக் கலைக்க முடியாது. இன்றைய மதிப்பு பொதுவாக நேற்றைய மதிப்புடன் தொடர்புடையது, மேலும் இந்த மாதத்தின் மதிப்பு ஆண்டுப் போக்குகளால் பாதிக்கப்படலாம். இந்தக் காலங்களுக்கிடையேயான சார்புநிலை தன்னொழுக்கம் (autocorrelation) என்று அழைக்கப்படுகிறது. மேலும், காலத் தொடர்கள் பெரும்பாலும் போக்குகள் (நீண்ட கால நகர்வுகள்), பருவகாலத்தன்மை (காலப்போக்கில் மீண்டும் மீண்டும் வரும் போக்குகள்), சுழற்சிகள் (எப்போதும் சீராக இல்லாத இடைக்கால அலைகள்), மற்றும் இரைச்சல் அல்லது சீரற்ற பிழைகள் போன்ற கூறுகளை வெளிப்படுத்துகின்றன.
உதாரணமாக, விடுமுறை நாட்களை ஒட்டி சில்லறை விற்பனை அதிகரிக்க முனைகிறது (பருவகால), ஆனால் பொருளாதார வளர்ச்சியின் காரணமாக அது ஆண்டுதோறும் மெதுவாகவும் அதிகரிக்கலாம் (போக்கு). விநியோகத் தடைகள் அல்லது கொள்கை மாற்றங்கள் போன்ற எதிர்பாராத நிகழ்வுகளால் ஏற்படும் ஏற்ற இறக்கங்கள், சீரற்ற கூறின் கீழ் வருகின்றன.
காலத் தொடர் பகுப்பாய்வின் நோக்கம்
பொதுவாக, காலத் தொடர் பகுப்பாய்விற்குப் பல முக்கிய நோக்கங்கள் உள்ளன. முதலாவதாக, இது போக்குகளைப் பருவகால மாற்றங்களிலிருந்து பிரிப்பது போன்றவற்றின் மூலம், தரவு வடிவங்களைச் சுருக்கமாகவும் தகவல்பூர்வமாகவும் விவரிக்கிறது. இரண்டாவதாக, இது புள்ளிவிவர மாதிரிகள் மூலம் தரவு உருவாக்கத்தின் வழிமுறைகளை விளக்குகிறது, இதன்மூலம் காலப்போக்கில் மதிப்புகளில் ஏற்படும் மாற்றங்களுக்குப் பின்னால் உள்ள செயல்முறைகளைப் புரிந்துகொள்ள நமக்கு உதவுகிறது. மூன்றாவதாக, இது வரலாற்று வடிவங்களின் அடிப்படையில் எதிர்கால மதிப்புகளை மதிப்பிடும் முன்கணிப்புகளைச் செய்கிறது. நான்காவதாக, இது பொருளாதார நெருக்கடிகள், சந்தை நடத்தையில் ஏற்படும் மாற்றங்கள் அல்லது தரவு விலகல்களை ஏற்படுத்தும் அளவீட்டுக் கருவிகளின் செயலிழப்பு போன்ற முரண்பாடுகள் அல்லது கட்டமைப்பு மாற்றங்களைக் கண்டறிகிறது.
முதல் படிகள்: காட்சிப்படுத்தல் மற்றும் ஆய்வு
தரவுகளைக் காலத்திற்கு எதிராக வரைபடமாக்குவது ஒரு பொதுவான ஆரம்பக் கட்டமாகும். எளிய காட்சிப்படுத்தல்கள் பெரும்பாலும் மேல்நோக்கிய அல்லது கீழ்நோக்கிய போக்குகள், பருவகால வடிவங்கள் மற்றும் புறத்தன்மைகளை வெளிப்படுத்துகின்றன. அதன்பிறகு, குறுகிய கால ஏற்ற இறக்கங்களைச் சீர்செய்ய நகரும் சராசரியைக் கணக்கிடுவது அல்லது போக்கு, பருவகால மற்றும் எஞ்சிய கூறுகளைப் பிரிக்க காலத் தொடர் சிதைவைப் பயன்படுத்துவது போன்ற பூர்வாங்க புள்ளியியல் பகுப்பாய்வு செய்யப்படுகிறது.
வரைபடங்களைத் தவிர, காலத் தொடர் ஆய்வில் தன்னொழுங்குச் சார்பு (ACF) மற்றும் பகுதி தன்னொழுங்குச் சார்பு (PACF) ஆகிய இரண்டு முக்கியமான கருவிகள் உள்ளன. தற்போதைய மதிப்பிற்கும் பல்வேறு பின்னடைவுகளில் (எ.கா., 1 நாள் முன்பு, 2 நாட்கள் முன்பு, மற்றும் பல) உள்ள மதிப்புகளுக்கும் இடையிலான உறவு எவ்வளவு வலிமையானது என்பதை ACF காட்டுகிறது. சிறிய பின்னடைவுகளின் தாக்கத்தைக் கட்டுப்படுத்திய பிறகு, ஒரு பின்னடைவின் நேரடித் தாக்கத்தை அடையாளம் காண PACF உதவுகிறது. சரியான மாதிரியைத் தேர்ந்தெடுப்பதற்கு ACF மற்றும் PACF-இலிருந்து கிடைக்கும் தகவல்கள் மிகவும் பயனுள்ளதாக இருக்கும்.
நிலையான தன்மையின் கருத்து
பல பாரம்பரிய நேரத் தொடர் முறைகள்—குறிப்பாக ARIMA குடும்பம்—தரவு நிலையானது என்று கருதுகின்றன. ஒரு நிலையான நேரத் தொடர் என்பது, அதன் புள்ளிவிவரப் பண்புகள் (சராசரி மற்றும் மாறுபாடு போன்றவை) காலப்போக்கில் ஒப்பீட்டளவில் மாறாமல் இருப்பதையும், தன்னொழுக்கமானது முழுமையான நேரத்தைச் சார்ந்திராமல், நேர இடைவெளியை மட்டுமே சார்ந்திருப்பதையும் குறிக்கிறது.
தரவு ஒரு வலுவான போக்கையோ அல்லது தெளிவான பருவகாலத் தன்மையையோ வெளிப்படுத்தினால், அது பொதுவாக நிலையற்றதாக இருக்கும். அதை நிலையானதாக மாற்றுவதற்கு, பகுப்பாய்வாளர்கள் மாறுபாட்டை நிலைப்படுத்த, வேறுபடுத்துதல் (காலகட்டங்களுக்கு இடையிலான வித்தியாசத்தைக் கண்டறிதல்) அல்லது மடக்கை உருமாற்றங்கள் போன்ற உருமாற்றங்களை அடிக்கடி பயன்படுத்துகின்றனர். ஆக்மென்டட் டிக்கி-ஃபுல்லர் (ADF) அல்லது KPSS போன்ற முறையான சோதனைகள் நிலைத்தன்மையை மதிப்பிட உதவக்கூடும், இருப்பினும் அவற்றின் விளக்கத்திற்கு சூழல்சார் புரிதல் மற்றும் காட்சி ஆய்வு ஆகியவற்றின் கலவை தேவைப்படுகிறது.
பிரபலமான நேரத் தொடர் மாதிரிகள்
1. நகரும் சராசரி மாதிரி மற்றும் அதிவேக மென்மையாக்கம்
குறுகிய கால முன்னறிவிப்பில் சீராக்கும் முறைகள் பரவலாகப் பயன்படுத்தப்படுகின்றன. நகரும் சராசரிகள், அடுத்த காலகட்டத்தைக் கணிக்க, கடந்த சில காலகட்டங்களின் சராசரியை எடுத்துக்கொள்கின்றன. அடுக்குக்குறி சீராக்கம் மிகச் சமீபத்திய தரவுகளுக்கு அதிக முக்கியத்துவம் அளிக்கிறது. எளிய அடுக்குக்குறி சீராக்கம் போன்ற முறைகள் போக்கற்ற மற்றும் பருவகாலத் தரவுகளுக்குப் பொருத்தமானவை, அதேசமயம் ஹோல்ட் முறை போக்குகளைக் கையாளுகிறது, மற்றும் ஹோல்ட்-வின்டர்ஸ் முறை போக்குகள் மற்றும் பருவகாலம் ஆகிய இரண்டையும் கையாளுகிறது.
மென்மையாக்கும் முறைகளின் நன்மைகள் என்னவென்றால், அவை எளிமையானவை, வேகமானவை, மேலும் செயல்பாட்டு நோக்கங்களுக்காகப் பெரும்பாலும் நன்றாகப் பயன்படுகின்றன. இருப்பினும், அவை தன்னியக்கத் தொடர்பு அமைப்பின் முழுமையான விளக்கத்தை எப்போதும் வழங்குவதில்லை.
2. AR, MA, மற்றும் ARIMA
தன்னியக்க பின்னடைவு (AR) மாதிரியானது, தற்போதைய மதிப்புகள் கடந்தகால மதிப்புகளைச் சார்ந்துள்ளன என்று கூறுகிறது. நகரும் சராசரி (MA) மாதிரியானது, தற்போதைய மதிப்புகள் கடந்தகாலப் பிழைகளால் பாதிக்கப்படுகின்றன என்று கூறுகிறது. இவ்விரண்டின் கலவை ARMA என்று அழைக்கப்படுகிறது, மேலும் தரவை நிலையானதாக மாற்றுவதற்காக வேறுபடுத்த வேண்டியிருக்கும் போது, இந்த மாதிரி ARIMA (தன்னியக்க பின்னடைவு ஒருங்கிணைந்த நகரும் சராசரி) ஆகிறது. ARIMA என்பது ARIMA(p, d, q) என எழுதப்படுகிறது, இதில் p என்பது AR-இன் வரிசை, d என்பது வேறுபடுத்தும் வரிசை, மற்றும் q என்பது MA-இன் வரிசை ஆகும்.
அளவுருத் தேர்வுக்கு பொதுவாக ACF/PACF மற்றும் AIC அல்லது BIC போன்ற தகவல் அளவுகோல்கள் உதவுகின்றன. ARIMA அதன் நெகிழ்வுத்தன்மை மற்றும் வலுவான கோட்பாட்டு அடித்தளத்தின் காரணமாக, பொருளாதாரம் மற்றும் வணிக முன்னறிவிப்பில் நீண்ட காலமாக ஒரு தரநிலையாக இருந்து வருகிறது.
3. பருவகாலத்திற்கான சரிமா
தரவில் தெளிவான பருவகாலத் தன்மை இருந்தால்—உதாரணமாக, மாதாந்திர-ஆண்டு முறை—ARIMA மாதிரியானது SARIMA (பருவகால ARIMA) ஆக விரிவாக்கப்படுகிறது. இந்த மாதிரியானது, ஒரு குறிப்பிட்ட பருவகாலக் காலத்திற்கான (உதாரணமாக, மாதாந்திரத் தரவுகளுக்கு 12) AR, வேறுபடுத்தல் மற்றும் MA அளவுருக்கள் உள்ளிட்ட ஒரு பருவகாலக் கூறினைச் சேர்க்கிறது. SARIMA மாதிரியானது, மாதத்திற்கு வரும் சுற்றுலாப் பயணிகளின் எண்ணிக்கை, தினசரி முறையைக் கொண்ட மணிநேர மின்சார நுகர்வு அல்லது பருவகாலப் பொருட்களின் தேவை போன்ற தரவுகளுக்குப் பயனுள்ளதாக இருக்கும்.
4. பன்மாறிக்கான VAR
பல சந்தர்ப்பங்களில், பணவீக்கம், வட்டி விகிதங்கள் மற்றும் மாற்று விகிதங்கள் போன்ற ஒன்றுக்கு மேற்பட்ட காலத் தொடர்களை நாம் ஒரே நேரத்தில் பகுப்பாய்வு செய்கிறோம். வெக்டர் ஆட்டோரெக்ரெஷன் (VAR) ஒவ்வொரு மாறியையும் அதன் சொந்த கடந்தகால மதிப்புகள் மற்றும் பிற மாறிகளால் பாதிக்கப்பட அனுமதிக்கிறது. VAR, அமைப்பு இயக்கவியலைப் படிக்கவும், இம்பல்ஸ் ரெஸ்பான்ஸ் பகுப்பாய்வு மூலம் அதிர்ச்சிகளின் விளைவுகளை ஆராயவும் பொருளியல் அளவியலில் பரவலாகப் பயன்படுத்தப்படுகிறது.
5. நிலையற்ற தன்மை மாதிரி: ARCH/GARCH
நிதித் தரவுகளில், நிலையற்றதன்மை பெரும்பாலும் தொகுப்புகளாக நிகழ்கிறது: அதாவது, அமைதியான காலகட்டங்களைத் தொடர்ந்து அதிக நிலையற்றதன்மை கொண்ட காலகட்டங்கள் ஏற்படும். ARCH மற்றும் GARCH மாதிரிகள், காலப்போக்கில் மாறும் மாறுபாடுகளை மாதிரியாக்குவதற்காக வடிவமைக்கப்பட்டுள்ளன. இந்த மாதிரிகள் இடர் மேலாண்மை, சொத்து மதிப்பீடு மற்றும் சந்தை நிச்சயமற்ற தன்மையை அளவிடுதல் ஆகியவற்றில் முக்கியமானவை.
மாதிரி மதிப்பீடு மற்றும் முன்னறிவிப்பு துல்லியம்
ஒரு மாதிரி தேர்ந்தெடுக்கப்பட்டவுடன், அதன் போதுமான தன்மையை நாம் மதிப்பிட வேண்டும். மீதங்கள் (உண்மையான மற்றும் கணிக்கப்பட்ட தரவுகளுக்கு இடையிலான வேறுபாடு) சீரற்ற இரைச்சலைப் போல இருக்க வேண்டும்: வடிவமற்றதாகவும், சுயத்தொடர்பற்றதாகவும், மற்றும் ஒப்பீட்டளவில் நிலையான மாறுபாட்டைக் கொண்டதாகவும் இருக்க வேண்டும். மீதங்களின் சுயத்தொடர்பைச் சரிபார்க்க லியுங்-பாக்ஸ் சோதனை பெரும்பாலும் பயன்படுத்தப்படுகிறது.
முன்னறிவிப்பின் தரத்தை அளவிடுவதற்கு, MAE (சராசரி முழுப் பிழை), RMSE (வர்க்கமூல சராசரிப் பிழை), மற்றும் MAPE (சராசரி முழு சதவீதப் பிழை) போன்ற அளவீடுகள் பயன்படுத்தப்படுகின்றன. மதிப்பீடானது உண்மையான முன்னறிவிப்பு நிலைமைகளைப் பிரதிபலிக்கும் வகையில், தரவுகளைச் சீரற்ற முறையில் பிரிப்பதற்குப் பதிலாக, நேரத்தின் அடிப்படையில் (நேர அடிப்படையிலான பிரிப்பு) பயிற்சி மற்றும் சோதனைத் தரவுகளாகப் பிரிப்பது ஒரு சிறந்த நடைமுறையாகும்.
காலத் தொடர்களில் பொதுவான சவால்கள்
காலத் தொடர் பகுப்பாய்வானது, விடுபட்ட தரவுகள், அளவீட்டு வரையறைகளில் ஏற்படும் மாற்றங்கள், தீவிரமான புறத்தன்மை மதிப்புகள் மற்றும் கட்டமைப்பு முறிவுகள் போன்ற சவால்களை அடிக்கடி எதிர்கொள்கிறது. உதாரணமாக, ஒரு பெருந்தொற்று நுகர்வுப் பழக்கவழக்கங்களைப் பெருமளவில் மாற்றக்கூடும், இதனால் பெருந்தொற்றுக்கு முந்தைய காலகட்டங்களில் பயிற்சி பெற்ற மாதிரிகளின் துல்லியம் குறைகிறது. இதுபோன்ற சூழ்நிலைகளில், மாதிரி மேம்படுத்தல்கள், புற மாறிகளின் பயன்பாடு அல்லது மேலும் தகவமைத்துக் கொள்ளக்கூடிய ஒரு அணுகுமுறை அவசியமாகலாம்.
மேலும், தரவின் நேரத் தெளிவுத்திறனும் நீளமும் பயன்படுத்தக்கூடிய முறைகளில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்துகின்றன. உயர் அதிர்வெண் தரவுகளுக்கு (எ.கா., நிமிடத்திற்கு) இரைச்சலைக் கையாளுவதற்கும் கணக்கீடு செய்வதற்கும் சிறப்பு முறைகள் தேவைப்படுகின்றன, அதே சமயம் பருவகால மாற்றங்களை உறுதியாக அடையாளம் காண ஆண்டுத் தரவுகள் மிகவும் குறுகியதாக இருக்கலாம்.
மூடுகிறது
புள்ளியியலில் காலத் தொடர் பகுப்பாய்வானது, காலப்போக்கில் உருவாகும் தரவுகளைப் புரிந்துகொள்வதற்கு ஒரு செழுமையான கட்டமைப்பை வழங்குகிறது. போக்கு, பருவகாலத்தன்மை மற்றும் தன்னியக்கத் தொடர்பு கூறுகளை அடையாளம் கண்டு, எக்ஸ்போனென்ஷியல் ஸ்மூத்திங் முதல் ARIMA, VAR, மற்றும் GARCH வரையிலான சரியான மாதிரியைத் தேர்ந்தெடுப்பதன் மூலம், நாம் மிகவும் துல்லியமான முன்னறிவிப்புகளை உருவாக்கவும், கூர்மையான நுண்ணறிவுகளைப் பெறவும் முடியும். இருப்பினும், வெற்றிகரமான பகுப்பாய்வானது நுட்பத்தை மட்டும் சார்ந்திருக்கவில்லை, மாறாக சூழலைப் புரிந்துகொள்வது, தரவின் தரம் மற்றும் கடுமையான மதிப்பீடு ஆகியவற்றையும் சார்ந்துள்ளது. நிகழ்நேரத் தரவுகளை அதிகளவில் சார்ந்திருக்கும் உலகில், காலத் தொடர்களைப் பகுப்பாய்வு செய்யும் திறன், ஆராய்ச்சியாளர்கள் மற்றும் தொழில் வல்லுநர்கள் இருவருக்கும் பெருகிய முறையில் ஒரு முக்கியமான திறனாக மாறி வருகிறது.
