आप एक चर को निम्नानुसार अवमानना दे सकते हैं: यदि आपके पास चर का एक बैच है, तो आप एक लूप का उपयोग कर सकते हैं। मान लीजिए कि आपके पास पीटर, पॉल और मैरी नामक तीन चर हैं: यदि आपके पास मान गायब हैं और आप एक प्रतिगमन में वेरिएबल्स का उपयोग करना चाहते हैं, तो आप सूचीगत विलोपन करना चाह सकते हैं। इसका मतलब यह है कि आप किसी भी चर के लिए याद करने वाले खाते के जवाब में नहीं लेते हैं। स्थगित करने के लिए आपके पास कई संभावनाएं हैं यदि आप एक चर y से एक रैखिक प्रवृत्ति को हटाना चाहते हैं, तो आप निम्न कार्य कर सकते हैं, यह मानते हुए कि टी समय का सूचकांक है: आप सांख्यिकीय कार्यशीलता पर भी एक नजर डाल सकते हैं: एक स्थिर समय श्रृंखला एक है जिसका सांख्यिकीय गुण जैसे कि, माध्य, विचरण , स्व-सम्बन्ध, आदि सभी समय के साथ स्थिर हैं। अधिकांश सांख्यिकीय पूर्वानुमान विधियां इस धारणा पर आधारित होती हैं कि गणितीय परिवर्तनों के उपयोग के माध्यम से समय श्रृंखला लगभग स्थिर (अर्थात् quotstationarizedquot) प्रदान की जा सकती है। एक स्थिर श्रृंखला का अनुमान लगाया जाना आसान है: आप बस भविष्यवाणी करते हैं कि भविष्य में उनकी सांख्यिकीय संपत्ति समान होगी, जैसा कि वे अतीत में हैं (हमारे प्रसिद्ध पूर्वानुमान उद्धरणों को याद करें)। स्थिर श्रृंखला के लिए भविष्यवाणियां तब उद्धृत हो सकती हैं, मूल श्रृंखला के लिए भविष्यवाणियों को प्राप्त करने के लिए जो भी गणितीय परिवर्तनों का इस्तेमाल किया गया था, पीछे पीछे होकर (आमतौर पर आपके सॉफ़्टवेयर द्वारा विवरणों का ध्यान रखा जाता है।) इस प्रकार, समय श्रृंखला को स्थिर बनाने के लिए आवश्यक परिवर्तनों के क्रम को खोजने से अक्सर एक उपयुक्त पूर्वानुमान मॉडल की खोज में महत्वपूर्ण सुराग प्रदान करता है। बारंबारता के माध्यम से समय-सीमा निर्धारण (जहां ज़रूरत होती है) एक एआरआईएएएम मॉडल को तैयार करने की प्रक्रिया का एक महत्वपूर्ण हिस्सा है। जैसा कि इन नोटों के ARIMA पृष्ठों में चर्चा की गई है। समय श्रृंखला को स्थिर बनाने की कोशिश करने का एक और कारण दूसरे चर के साथ सार्थक नमूना आंकड़े प्राप्त करने में सक्षम है जैसे कि साधन, भिन्नताएं और सहसंबंध। इस तरह के आंकड़े भविष्य के व्यवहार के वर्णनकर्ता के रूप में उपयोगी होते हैं यदि श्रृंखला स्थिर होती है उदाहरण के लिए, अगर श्रृंखला समय के साथ लगातार बढ़ती जाती है, तो नमूना का मतलब और विचरण नमूने के आकार के साथ बढ़ेगा, और भविष्य में वह हमेशा मतलब और भिन्नता को कम करेगा। और अगर किसी श्रृंखला का मतलब और भिन्नता अच्छी तरह से परिभाषित नहीं होती है, तो इसके अन्य पहलुओं के साथ इसके संबंध नहीं होते हैं इस कारण से आपको अघोषित डेटा के लिए तैयार प्रतिगमन मॉडल को एक्सट्रपोल करने की कोशिश करने के बारे में सावधान रहना चाहिए। अधिकांश व्यापार और आर्थिक समय श्रृंखला स्थिर से दूर नहीं होती जब माप की अपनी मूल इकाइयों में व्यक्त की जाती है, और अपस्फीति या मौसमी समायोजन के बाद भी वे आमतौर पर रुझान, चक्र, यादृच्छिक-चलने और अन्य गैर-स्थिर व्यवहार प्रदर्शित करते हैं। अगर श्रृंखला में एक स्थिर लंबे समय तक चलने वाला रुझान होता है और किसी रुकावट के बाद प्रवृत्ति की रेखा पर लौटने की आदत होती है, तो यह संभव है कि इसे ट्रांजिंग लाइन द्वारा फिटिंग करके और एक मॉडल फिट करने से पहले इसे घटाकर, या फिर समय-सारणी को एक रिग्रेसन या एआरआईएए मॉडल में एक स्वतंत्र चर के रूप में शामिल करके), शायद लॉगिंग या डिफ्लेटिंग के साथ। इस तरह की श्रृंखला को ट्रेंड-स्टेशनरी कहा जाता है हालांकि, कभी-कभी भी श्रृंखला को स्थिर बनाने के लिए पर्याप्त नहीं है, इस स्थिति में इसे किसी अवधि-से-अवधि और सीजन-टू-सीजन के अंतर की श्रृंखला में बदलने के लिए आवश्यक हो सकता है। यदि मूल श्रृंखला का मतलब, विचरण, और आत्म-संबंधन समय पर निरंतर नहीं है, तो स्थगित होने के बाद भी, अवधि या सीजन के बीच श्रृंखला में होने वाले परिवर्तनों के आंकड़े निरंतर होंगे। ऐसी श्रृंखला को अंतर-स्थिर कहा जाता है (कभी-कभी प्रवृत्ति-स्थिर और एक अंतर-स्थिर श्रृंखला के बीच अंतर को बताना मुश्किल हो सकता है, और एक तथाकथित इकाई जड़ परीक्षण का उपयोग एक और निश्चित उत्तर प्राप्त करने के लिए किया जा सकता है। हम इस विषय पर वापस आएं बाद में पाठ्यक्रम में।) (पृष्ठ के शीर्ष पर लौटें।) एक समय श्रृंखला का पहला अंतर एक अवधि से लेकर अगले तक की श्रृंखला की श्रृंखला है। यदि y टी अवधि श्रृंखला वाई के मूल्य टी को इंगित करता है, तो अवधि टी पर वाई का पहला अंतर वाई टी-वाई टी -1 के बराबर होता है Statgraphics में, Y का पहला अंतर डीआईएफएफ (वाई) के रूप में व्यक्त किया जाता है, और रीग्रेस में यह YDIFF1 है। यदि Y का पहला अंतर स्थिर और पूरी तरह से यादृच्छिक (स्वयं समन्वयित नहीं) है, तो Y को एक यादृच्छिक चलने मॉडल द्वारा वर्णित किया गया है: प्रत्येक मान पिछले मान से एक यादृच्छिक कदम है। यदि Y का पहला अंतर स्थिर है, लेकिन पूरी तरह से यादृच्छिक नहीं है- अर्थात। यदि अवधि के समय इसकी कीमत अपने मूल्यों से पहले की अवधि के साथ स्वतः समन्वयित होती है - तो एक अधिक परिष्कृत पूर्वानुमान मॉडल जैसे घातीय चिकनाई या एआरआईएए उपयुक्त हो सकता है (नोट: यदि डीआईएफएफ (वाई) स्थिर और यादृच्छिक है, तो यह इंगित करता है कि मूल श्रृंखला वाई के लिए एक यादृच्छिक चलने वाला मॉडल उपयुक्त है, यह नहीं कि यादृच्छिक वॉली मॉडल को डीआईएफएफ (वाई) से फिट किया जाना चाहिए। तार्किक रूप से डीआईएफएफ (वाई) के लिए एक औसत (निरंतर-केवल) मॉडल को फिटिंग के बराबर है।) एयूटीओएसएएलएसपीआई, डिफ्लेटेड ऑटो सेलर्स सीरीज़ के पहले अंतर का एक ग्राफ है। ध्यान दें कि अब यह लगभग स्थिर दिखता है (कम से कम मतलब और विचरण अधिक या कम स्थिर होते हैं), लेकिन यह बिल्कुल यादृच्छिक नहीं है (एक मजबूत मौसमी पैटर्न रहता है): निम्न स्प्रैडशीट यह दर्शाता है कि कैसे पहले अंतर की कमी के लिए गणना की जाती है ऑटो बिक्री डेटा:
No comments:
Post a Comment