സമയ ശ്രേണി വിശകലനം: നിശ്ചലത, അരിമ, പ്രവചനം

നേട്ടങ്ങൾ:

• ട്രെൻഡ്, ഋതുഭേദം, നിശ്ചലത, യൂണിറ്റ് റൂട്ട് എന്നിവയുടെ ആശയങ്ങൾ മനസിലാക്കാനും സമയ ശ്രേണി മോഡലിംഗിനും പ്രവചനത്തിനും കൃത്യമായ ഡാറ്റ ഉപയോഗിച്ച് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കാനുമുള്ള കഴിവ്.
• അരിമ/സീസണൽ മോഡലുകൾ വ്യാഖ്യാനിക്കാനും അനിശ്ചിതത്വം (ആത്മവിശ്വാസ ഇടവേള, അവശിഷ്ട വിശകലനം) പ്രവചിക്കാനും വ്യാജ റിഗ്രഷൻ ഒഴിവാക്കാനുമുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പ്രവചനം മുൻകാല പാറ്റേണുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും ഘടനാപരമായ തകർച്ചയുടെയും പ്രതിസന്ധിയുടെയും കാലഘട്ടങ്ങളിൽ വിദഗ്‌ധമായ വിലയിരുത്തൽ മുന്നിലെത്തുന്നുവെന്നും വേർതിരിച്ചറിയാൻ കഴിയും.

സാമ്പത്തിക വിദഗ്ധരുടെയും സാമ്പത്തിക വിശകലന വിദഗ്ധരുടെയും റൊട്ടിയും വെണ്ണയും ആയ ഡാറ്റയുടെ ഭൂരിഭാഗവും സമയ ശ്രേണിയാണ്: അതേ വേരിയബിളിൻ്റെ മൂല്യങ്ങൾ കാലക്രമേണ കൃത്യമായ ഇടവേളകളിൽ അളക്കുന്നു (പ്രതിമാസ പണപ്പെരുപ്പം, പ്രതിദിന സ്റ്റോക്ക് വില, ത്രൈമാസ ജിഡിപി). നിരീക്ഷണങ്ങൾ സ്വതന്ത്രമല്ലാത്തതിനാൽ സമയ ശ്രേണി സാധാരണ ക്രോസ്-സെക്ഷണൽ ഡാറ്റയിൽ നിന്ന് അടിസ്ഥാനപരമായി വ്യത്യാസപ്പെട്ടിരിക്കുന്നു: ഇന്നത്തെ മൂല്യം ഇന്നലെയെ ആശ്രയിച്ചിരിക്കുന്നു. ഈ ആശ്രിതത്വം ഒരു അവസരവും (നമുക്ക് ഭാവി പ്രവചിക്കാൻ കഴിയും) അപകടവുമാണ് (സാധാരണ റിഗ്രഷൻ ഇവിടെ എളുപ്പത്തിൽ തെറ്റിദ്ധരിപ്പിക്കും). ഈ യൂണിറ്റിൽ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ടൈം സീരീസ് മോഡലിംഗും പ്രവചനവും എങ്ങനെ ത്വരിതപ്പെടുത്തുന്നുവെന്ന് നമുക്ക് കാണാം, എന്നാൽ ഏറ്റവും അപകടകരമായ കെണിയായ വ്യാജ റിഗ്രഷൻ എന്തിനാണ് ശ്രദ്ധ ആവശ്യപ്പെടുന്നത്.

അടിസ്ഥാന ആശയങ്ങൾ

ഒരു സമയ ശ്രേണിയിൽ പൊതുവെ മൂന്ന് ഘടകങ്ങൾ അടങ്ങിയിരിക്കുന്നു: ട്രെൻഡ് (ദീർഘകാല മുകളിലേക്ക്/താഴ്ന്ന പ്രവണത), കാലാനുസൃതത (വർഷം മുഴുവനും ആവർത്തിക്കുന്ന പതിവ് പാറ്റേൺ, ഉദാ. വേനൽക്കാലത്ത് വർദ്ധിച്ചുവരുന്ന ടൂറിസം), സൈക്കിൾ/ശബ്ദം (അവശേഷിക്കുന്ന അസ്ഥിരത). മോഡലിംഗിന് മുമ്പ്, പരമ്പരയുടെ ഏറ്റവും നിർണായകമായ സവിശേഷത നിശ്ചലതയാണ്.

ഒരു സ്റ്റേഷണറി സീരീസ് എന്നത് സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോപ്പർട്ടികൾ (അർത്ഥം, വ്യത്യാസം) കാലാകാലങ്ങളിൽ സ്ഥിരമായി നിലനിൽക്കുന്ന ഒരു ശ്രേണിയാണ്. ഒരു നോൺ-സ്റ്റേഷണറി സീരീസിൽ ഒരു ട്രെൻഡ് അടങ്ങിയിരിക്കുന്നു, അതിൻ്റെ വ്യത്യാസം വളരുന്നു, അല്ലെങ്കിൽ അതിന് ഒരു യൂണിറ്റ് റൂട്ട് ഉണ്ട്. ഒരു യൂണിറ്റ് റൂട്ട് എന്നത് ഒരു ഘടനയാണ്, അതിൽ പരമ്പര ശാശ്വതമായി "ഓർമ്മിക്കുന്നു" ആഘാതങ്ങളെ അതിൻ്റെ ശരാശരിയിലേക്ക് മടങ്ങുന്നില്ല; അത്തരമൊരു പരമ്പര ക്രമരഹിതമായ നടത്തം പോലെയാണ് പെരുമാറുന്നത്. എന്തുകൊണ്ട് അത് പ്രധാനമാണ്? രണ്ട് നോൺ-സ്റ്റേഷണറി സീരീസുകൾക്കിടയിലുള്ള റിഗ്രഷൻ ഉയർന്ന R-സ്‌ക്വയേർഡും കാര്യമായ ഗുണകങ്ങളും ഉത്പാദിപ്പിക്കും എന്നതിനാൽ, യാഥാർത്ഥ്യത്തിൽ ഒരു ബന്ധവുമില്ലെങ്കിലും - ഇതിനെ വ്യാജ റിഗ്രഷൻ എന്ന് വിളിക്കുന്നു. പൊതുവായ പ്രവണത മാത്രമാണ് രണ്ട് പരമ്പരകളെയും "ബന്ധമുള്ളവ" എന്ന് തോന്നിപ്പിക്കുന്നത്.

മുൻകരുതൽ: ഉയർന്നുവരുന്ന രണ്ട് പരമ്പരകൾ (ഉദാ. ഒരു രാജ്യത്തെ ജനസംഖ്യയും മറ്റൊരു രാജ്യത്തിൻ്റെ ഐസ്ക്രീം വിൽപ്പനയും) വളരെ പരസ്പരബന്ധിതമായിരിക്കും; കാലക്രമേണ അവ രണ്ടും വർദ്ധിക്കുന്നതിനാൽ. ഇതൊരു ബന്ധമല്ല, പൊതു പ്രവണതയുടെ മിഥ്യയാണ്. സമയ ശ്രേണിയിൽ റിഗ്രഷൻ ആരംഭിക്കുന്നതിന് മുമ്പ് നിശ്ചലത പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക.

ഘട്ടം ഘട്ടമായുള്ള സമയ ശ്രേണി വർക്ക്ഫ്ലോ

1. ദൃശ്യവൽക്കരിക്കുക. സീരീസ് പ്ലോട്ട് ചെയ്യുക: ഒരു ട്രെൻഡ് ഉണ്ടോ, കാലാനുസൃതത ഉണ്ടോ, കാലക്രമേണ വ്യത്യാസം മാറുന്നുണ്ടോ, ഘടനാപരമായ ബ്രേക്ക് (പെട്ടെന്നുള്ള ലെവൽ മാറ്റം) ഉണ്ടോ?

2. ടെസ്റ്റ് സ്റ്റേഷണറിറ്റി. എഡിഎഫ് ടെസ്റ്റ് (ഓഗ്മെൻ്റഡ് ഡിക്കി-ഫുള്ളർ), കെപിഎസ്എസ് ടെസ്റ്റ് യൂണിറ്റ് റൂട്ട്/സ്റ്റേഷണറിറ്റി. ഇവ രണ്ടും പരസ്പര പൂരകമാണ്: ADF-ൽ ശൂന്യമായ സിദ്ധാന്തം "ഒരു യൂണിറ്റ് റൂട്ട് ഉണ്ട്", KPSS ൽ അത് "നിശ്ചലമാണ്". രണ്ടും ഒരുമിച്ച് ഉപയോഗിക്കുന്നതാണ് കൂടുതൽ സുരക്ഷിതം.

3. സ്തംഭനാവസ്ഥ. സീരീസ് നോൺ-സ്റ്റേഷണറി ആണെങ്കിൽ, അത് സാധാരണയായി വ്യത്യാസപ്പെട്ടിരിക്കുന്നു (തുടർച്ചയായ നിരീക്ഷണങ്ങളുടെ വ്യത്യാസം; ഇത് പ്രവണതയെ നീക്കം ചെയ്യുന്നു). ഒരിക്കൽ വ്യത്യാസപ്പെടുത്തുന്നത് "ആദ്യ ക്രമം സംയോജിപ്പിച്ച" (I(1)) ശ്രേണിയെ നിശ്ചലമാക്കുന്നു. വ്യതിയാനം വളരുകയാണെങ്കിൽ ലോഗ് പരിവർത്തനവും സഹായിക്കുന്നു.

4. ഒരു മോഡൽ നിർമ്മിക്കുക. ഏറ്റവും സാധാരണമായ ചട്ടക്കൂട് ARIMA (AutoRegressive Integrated Moving Average): ഇത് ഘടകങ്ങൾ AR (പരമ്പരയുടെ സ്വന്തം മുൻകാല മൂല്യങ്ങളെ ആശ്രയിക്കൽ), I (വ്യത്യാസത്തിൻ്റെ ഡിഗ്രി), MA (കഴിഞ്ഞ പിശകുകളുടെ പ്രഭാവം) എന്നിവ സംയോജിപ്പിക്കുന്നു. സീസണൽ ഉണ്ടെങ്കിൽ, SARIMA ഉപയോഗിക്കുന്നു. auto.arima പോലുള്ള ഓട്ടോമാറ്റിക് സെലക്ഷൻ ടൂളുകൾക്കായി AI കോഡ് സൃഷ്ടിക്കുന്നു; എന്നാൽ സ്വയമേവയുള്ള തിരഞ്ഞെടുപ്പിനെ അന്ധമായി അംഗീകരിക്കരുത്.

5. അവശിഷ്ടങ്ങൾ പരിശോധിക്കുക. ഒരു നല്ല മോഡലിൻ്റെ അവശിഷ്ടങ്ങൾ വെളുത്ത ശബ്ദമായിരിക്കണം: പാറ്റേൺ ഇല്ല, യാന്ത്രിക ബന്ധമില്ല. Ljung-Box ടെസ്റ്റ് ഇത് പരിശോധിക്കുന്നു. അവശിഷ്ടങ്ങളിൽ ഇപ്പോഴും ഒരു പാറ്റേൺ ഉണ്ടെങ്കിൽ, മോഡൽ അപൂർണ്ണമാണ്.

6. അനിശ്ചിതത്വം പ്രവചിക്കുകയും കാണിക്കുകയും ചെയ്യുക. പ്രവചനം ഒരു വരിയല്ല; എല്ലായ്‌പ്പോഴും ആത്മവിശ്വാസത്തോടെ/എസ്റ്റിമേറ്റ് ഇടവേളയിൽ നൽകിയിരിക്കുന്നു. ചക്രവാളം നീളുന്നതിനനുസരിച്ച് ശ്രേണി വിശാലമാകുന്നു - ഇത് സത്യസന്ധതയുടെ അടയാളമാണ്, കുറവല്ല.

സംയോജനം: നോൺ-സ്റ്റേഷണറി സീരീസുമായുള്ള യഥാർത്ഥ ബന്ധം

രണ്ട് നോൺസ്റ്റേഷണറി സീരീസുകൾ എല്ലായ്പ്പോഴും വ്യാജ ബന്ധങ്ങൾ നൽകുന്നില്ല. അവയ്ക്കിടയിൽ ഒരു യഥാർത്ഥ ദീർഘകാല സന്തുലിതാവസ്ഥ ഉണ്ടെങ്കിൽ (അവ ഒരുമിച്ച് നീങ്ങുന്നു), ഇതിനെ കോയിൻ്റഗ്രേഷൻ എന്ന് വിളിക്കുന്നു, കൂടാതെ പിശക് തിരുത്തൽ മോഡൽ (ECM) ഉപയോഗിച്ച് മാതൃകയാക്കാനും കഴിയും. അതുകൊണ്ട് പരിഹാരം "വ്യത്യാസവും വിവരങ്ങൾ വലിച്ചെറിയലും" അല്ല; ആദ്യം സംയോജനം പരീക്ഷിക്കുക എന്നതാണ്. ഈ വേർതിരിവ് യഥാർത്ഥ ദീർഘകാല പരസ്പര ബന്ധത്തിൽ നിന്ന് വ്യാജമായ പിന്മാറ്റത്തെ വേർതിരിക്കുന്നു, കൂടാതെ AI-ക്ക് സ്വന്തമായി തീരുമാനിക്കാൻ കഴിയാത്ത ഒരു സൈദ്ധാന്തിക പരിഗണനയുമാണ്.

താരതമ്യ ചാർട്ട്

നില

ലക്ഷണം

ശരിയായ സമീപനം

നിശ്ചല പരമ്പര

സ്ഥിരമായ ശരാശരി/വ്യതിയാനം

നേരിട്ടുള്ള ആർച്ചിംഗ്

ട്രെൻഡിനൊപ്പം (യൂണിറ്റ് റൂട്ട്)

തുടർച്ചയായ ഉയർച്ച, എ.ഡി.എഫ്

വ്യത്യാസം, പിന്നെ മോഡൽ

രണ്ട് നോൺ-സ്റ്റേഷണറി സീരീസ്

ഉയർന്ന R² വ്യാജമായിരിക്കാം

ആദ്യം, സംയോജന പരിശോധന

സീസണൽ

വാർഷിക ആവർത്തന പാറ്റേൺ

SARIMA / സീസണൽ വ്യത്യാസം

ഘടനാപരമായ ഇടവേള

പെട്ടെന്നുള്ള ലെവൽ/ചരിവ് മാറ്റം

ബ്രേക്കേജ് ടെസ്റ്റ്, വിദഗ്ധ വിധി

പകർത്താവുന്ന നാല് നിർദ്ദേശങ്ങൾ

1. നിശ്ചലത രോഗനിർണയം:

നിങ്ങളുടെ റോൾ: ടൈം സീരീസ് അസിസ്റ്റൻ്റ്. എനിക്ക് R കോഡ് വേണം, ഞാൻ ഡാറ്റ പങ്കിടുന്നില്ല. 'സീരീസ്' ഒരു പ്രതിമാസ സമയ ശ്രേണിയാണ് (ts object). ടാസ്ക്: (1) സീരീസും ഓട്ടോകോറിലേഷനും (ACF/PACF) ഗ്രാഫുകൾ വരയ്ക്കുക, (2) ADF, KPSS ടെസ്റ്റുകൾ പ്രയോഗിക്കുക, (3) ഫലങ്ങൾ ഒരുമിച്ച് എങ്ങനെ വ്യാഖ്യാനിക്കാമെന്ന് വിശദീകരിക്കുക. വ്യത്യാസം എടുക്കാൻ ഞാൻ തീരുമാനമെടുക്കും; നിങ്ങൾ ഒരു രോഗനിർണയം നടത്തുന്നു.

2. മാതൃകാ കെട്ടിടം (മേൽനോട്ടം വഹിക്കുന്നത്):

ആദ്യ വ്യത്യാസത്തിൽ എൻ്റെ സീരീസ് നിശ്ചലമായി കാണപ്പെടുന്നു. auto.arima ഉള്ള ഒരു മോഡൽ നിർദ്ദേശിക്കുക എന്നാൽ: (1) തിരഞ്ഞെടുത്ത (p, d, q) ഓർഡറുകളും അവ എന്തിനാണ് തിരഞ്ഞെടുത്തതെന്ന് വിശദീകരിക്കുക, (2) Ljung-Box ഉപയോഗിച്ച് ശേഷിക്കുന്നവ വൈറ്റ് നോയ്‌സ് ആണോ എന്ന് പരിശോധിക്കാൻ കോഡ് ചേർക്കുക, (3) സ്വയമേവയുള്ള തിരഞ്ഞെടുപ്പ് അന്ധമായി അംഗീകരിക്കരുതെന്ന് എന്നെ ഓർമ്മിപ്പിക്കുക.

3. വ്യാജ റിഗ്രഷൻ മുന്നറിയിപ്പ്:

എൻ്റെ രണ്ട് സമയ ശ്രേണികൾക്കിടയിൽ (X, Y) റിഗ്രഷൻ സജ്ജീകരിക്കാൻ ഞാൻ ആഗ്രഹിക്കുന്നു, പക്ഷേ അവ രണ്ടും ഡിട്രെൻഡഡ് ആണ്. വ്യാജമായ റിഗ്രഷൻ്റെ സാധ്യത പരിശോധിക്കുന്ന വർക്ക്ഫ്ലോ കോഡ് എഴുതുക: ആദ്യം രണ്ടിൻ്റെയും നിശ്ചലത പരിശോധിക്കുക, തുടർന്ന് ഒരു ഏകീകൃത പരിശോധന പ്രയോഗിക്കുക (Engle-Granger അല്ലെങ്കിൽ Johansen). ഞാൻ lm() നേരിട്ട് പ്രവർത്തിപ്പിക്കുന്നതിന് മുമ്പ്, എന്നെ നിർത്തി ഇത് അപകടകരമാകുന്നത് എന്തുകൊണ്ടാണെന്ന് വിശദീകരിക്കുക.

4. പ്രവചനവും അനിശ്ചിതത്വവും:

ഞാൻ സൃഷ്ടിച്ച ARIMA മോഡൽ ഉപയോഗിച്ച് 12 മാസത്തെ ഫോർവേഡ് പ്രവചനം നൽകുന്ന ഒരു കോഡ് എഴുതുക; എസ്റ്റിമേറ്റ് അതിൻ്റെ 80%, 95% ആത്മവിശ്വാസ ഇടവേളകൾ ഉപയോഗിച്ച് പ്ലോട്ട് ചെയ്യുക. പ്രവചനം മുൻകാല പാറ്റേണുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും ഘടനാപരമായ തകരാർ/പ്രതിസന്ധി ഉണ്ടായാൽ അത് അസാധുവാകാമെന്നും ചാർട്ടിന് താഴെ ഒരു കുറിപ്പ് ചേർക്കുക.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ രണ്ട് പരമ്പരകളുടെയും റിഗ്രഷനുമായുള്ള ബന്ധം കണ്ടെത്തി അടുത്ത വർഷം പ്രവചിക്കുക.

ഈ ക്ലെയിം തെറ്റായ റിഗ്രഷൻ ട്രാപ്പിലേക്കുള്ള ഒരു ക്ഷണമാണ്: നിശ്ചലത പരിശോധിക്കാതെ റിഗ്രഷൻ സജ്ജീകരിക്കുകയാണെങ്കിൽ, ഉയർന്ന R-സ്ക്വയറുള്ളതും എന്നാൽ അർത്ഥമില്ലാത്തതുമായ "ബന്ധവും" അനാവശ്യമായ ഒരു എസ്റ്റിമേറ്റും ഉയർന്നുവരും.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ശ്രദ്ധാപൂർവമായ സമയ പരമ്പര സഹായി. ഘട്ടം ഘട്ടമായി തുടരുക: (1) സീരീസിൻ്റെയും റിപ്പോർട്ടിൻ്റെയും നിശ്ചലത പരിശോധിക്കുക, (2) അവ നിശ്ചലമല്ലെങ്കിൽ, നേരിട്ടുള്ള റിഗ്രഷൻ ചെയ്യരുത്, ആദ്യം സംയോജനം നടത്തരുത്, (3) നിങ്ങൾ ഒരു പ്രവചനം പുറപ്പെടുവിക്കുകയാണെങ്കിൽ, ഒരു കോൺഫിഡൻസ് ഇടവേള ചേർത്ത് ഒരു ഘടനാപരമായ ഇടവേള മുന്നറിയിപ്പ് എഴുതുന്നത് ഉറപ്പാക്കുക. ഓരോ ഘട്ടത്തിലും തീരുമാനം എനിക്ക് വിടുക; യാന്ത്രിക പുരോഗതി.

വ്യത്യാസം: ശക്തമായ ഡിമാൻഡിന് റിഗ്രഷനു മുമ്പുള്ള നിശ്ചലതയും സംയോജനവും ആവശ്യമാണ്, എസ്റ്റിമേറ്റ് അനിശ്ചിതത്വത്തോടെ അവതരിപ്പിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - വ്യാജ റിഗ്രഷൻ. ഒരു അനലിസ്റ്റ് R²=0.91, p<0.001 രണ്ട് ഉയർന്ന ശ്രേണികൾക്കിടയിൽ (ഒരു മേഖലയുടെ വിറ്റുവരവും മറ്റൊരു രാജ്യത്തിൻ്റെ ഊർജ്ജ ഉപഭോഗവും) "ശക്തമായ ബന്ധം" എഴുതി. അവൻ്റെ കൺസൾട്ടൻ്റ് സ്റ്റേഷണറിറ്റി ടെസ്റ്റ് ആവശ്യപ്പെട്ടപ്പോൾ, രണ്ടുപേർക്കും യൂണിറ്റ് റൂട്ടുകൾ ഉണ്ടെന്നും അവരുടെ വ്യത്യാസങ്ങൾ എടുത്തപ്പോൾ, ബന്ധം (r = 0.04) പൂർണ്ണമായും അപ്രത്യക്ഷമായി. ഉയർന്ന R-സ്‌ക്വയേർഡ് സാധാരണ പ്രവണതയുടെ ഒരു മിഥ്യ മാത്രമായിരുന്നു. പാഠം: നിശ്ചലത പരിശോധിക്കാതെ സമയ ശ്രേണി റിഗ്രഷൻ വിശ്വസനീയമല്ല.

കേസ് 2 - ഓട്ടോമാറ്റിക് മോഡലിൽ അന്ധമായ വിശ്വാസം. ഒരു വിദ്യാർത്ഥി ഓട്ടോ.അരിമ തിരഞ്ഞെടുത്ത മോഡൽ പരിശോധിക്കാതെ ഉപയോഗിച്ചു; തൻ്റെ വിശകലനത്തിൽ കാര്യമായ ഋതുഭേദം അവശേഷിക്കുന്നത് അദ്ദേഹം ശ്രദ്ധിച്ചില്ല. മോഡൽ വ്യവസ്ഥാപിതമായി വേനൽക്കാല മാസങ്ങളെ കുറച്ചുകാണിച്ചു. Ljung-Box ടെസ്റ്റ് അവശിഷ്ടങ്ങളിൽ യാന്ത്രികബന്ധം കാണിച്ചു. ശരിയായ മാർഗം: സീസണൽ ഘടകം (SARIMA) ചേർക്കുകയായിരുന്നു. പാഠം: യാന്ത്രിക തിരഞ്ഞെടുപ്പ് തുടക്കമാണ്, അവസാന വാക്കല്ല; അവശിഷ്ടങ്ങൾ പരിശോധിക്കണം.

കേസ് 3 - ഘടനാപരമായ ഇടവേളയിൽ പ്രവചന തകർച്ച. ഒരു മോഡൽ 2019 ഡാറ്റയ്‌ക്കൊപ്പം 2020 ഡിമാൻഡ് പ്രവചിച്ചു; ആത്മവിശ്വാസ ഇടവേള ഇടുങ്ങിയതായിരുന്നു, എസ്റ്റിമേറ്റ് ആത്മവിശ്വാസമുള്ളതായിരുന്നു. 2020 ലെ വലിയ ആഘാതം (പാൻഡെമിക്) പ്രവചനത്തെ പൂർണ്ണമായും തകർത്തു, കാരണം മോഡലിന് മുൻകാല പാറ്റേൺ മാത്രമേ അറിയൂ. പാഠം: ഭൂതകാലം ഭാവിക്ക് സമാനമായിരിക്കുമെന്ന് സമയ പരമ്പര പ്രവചനം അനുമാനിക്കുന്നു; പ്രതിസന്ധിയുടെ/തകർച്ചയുടെ സമയങ്ങളിൽ, വിദഗ്ധമായ വിധിന്യായങ്ങൾ മുന്നിലെത്തുന്നു.

സാധാരണ തെറ്റുകൾ

• നിശ്ചലത പരിശോധിക്കാതെ റിഗ്രഷൻ സ്ഥാപിക്കുന്നു. കപടമായ റിഗ്രഷൻ ഉയർന്ന R-സ്ക്വയർ, എന്നാൽ അപ്രധാനമായ ബന്ധം ഉണ്ടാക്കുന്നു; ആദ്യം ADF/KPSS പ്രയോഗിക്കുക.
• സംയോജനത്തെ വേർതിരിക്കുകയും ഒഴിവാക്കുകയും ചെയ്യുന്നു. ഒരു യഥാർത്ഥ ദീർഘകാല ബന്ധമുണ്ടെങ്കിൽ, അന്ധമായി വ്യത്യാസം എടുക്കുന്നത് വിവരങ്ങൾ വലിച്ചെറിയുന്നു; ആദ്യം സംയോജനം പരിശോധിക്കുക.
• പരിശോധിക്കാതെ ഓട്ടോമാറ്റിക് മോഡൽ ഉപയോഗിക്കുന്നു. auto.arima ഒരു നല്ല തുടക്കമാണ്, എന്നാൽ അവശിഷ്ടങ്ങൾ (Ljung-Box) പരിശോധിക്കാതെ വിശ്വസനീയമല്ല.
• എസ്റ്റിമേറ്റ് ഒറ്റ വരിയായി അവതരിപ്പിക്കുന്നു. ഒരു കോൺഫിഡൻസ് ഇൻ്റർവെൽ ഇല്ലാതെയുള്ള എസ്റ്റിമേറ്റ് തെറ്റായ കൃത്യത സൃഷ്ടിക്കുന്നു; എപ്പോഴും അനിശ്ചിതത്വം കാണിക്കുക.
• ഘടനാപരമായ ഇടവേള അവഗണിക്കുന്നു. പ്രതിസന്ധി/ഭരണമാറ്റം കഴിഞ്ഞ മാതൃകയെ തടസ്സപ്പെടുത്തുന്നു; മോഡലിന് ഇത് അറിയാൻ കഴിയില്ല, വിദഗ്ദ്ധ വിധി ആവശ്യമാണ്.

നുറുങ്ങ്: ഒരു സമയ ശ്രേണി കണ്ടെത്തൽ എഴുതുന്നതിന് മുമ്പ്, പരമ്പരയുടെ റോ ഗ്രാഫിലേക്ക് വീണ്ടും നോക്കുക. നിങ്ങളുടെ സ്വന്തം കണ്ണുകൊണ്ട് നിങ്ങൾ കാണുന്ന ഒരു വ്യക്തമായ ട്രെൻഡ് അല്ലെങ്കിൽ ബ്രേക്ക് എന്നത് ഒരു പരീക്ഷണവും നിങ്ങളെ മറക്കാൻ പാടില്ലെന്ന ശക്തമായ മുന്നറിയിപ്പാണ്.

ചുരുക്കത്തിൽ

സമയ ശ്രേണി വിശകലനത്തിൽ, നിരീക്ഷണങ്ങൾ സ്വതന്ത്രമല്ല; ഇത് രണ്ടും പ്രവചന ശക്തി നൽകുകയും വ്യാജ റിഗ്രഷൻ പോലുള്ള അപകടങ്ങൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. മോഡലിംഗിന് മുമ്പ് സ്റ്റേഷണറിറ്റി (ADF/KPSS) പരിശോധിക്കുക; നോൺ-സ്റ്റേഷണറി സീരീസ് തമ്മിലുള്ള റിഗ്രഷൻ നേരിട്ട് സ്ഥാപിക്കുന്നതിനുപകരം ടെസ്റ്റ് സംയോജനം; വെളുത്ത ശബ്ദം ഉണ്ടാകുന്നതുവരെ ARIMA/SARIMA മോഡലിൻ്റെ അവശിഷ്ടങ്ങൾ പരിശോധിക്കുക; എല്ലായ്‌പ്പോഴും എസ്റ്റിമേറ്റ് ഒരു കോൺഫിഡൻസ് ഇടവേളയിൽ അവതരിപ്പിക്കുക. ഈ ഘട്ടങ്ങളിലെല്ലാം AI കോഡ് ജനറേറ്റുചെയ്യുന്നു, എന്നാൽ വിദഗ്ധൻ ഓട്ടോമാറ്റിക് മോഡൽ തിരഞ്ഞെടുക്കൽ, സംയോജന തീരുമാനം, ഘടനാപരമായ ഇടവേള വ്യാഖ്യാനം എന്നിവ നിയന്ത്രിക്കുന്നു. പ്രവചനം ഭൂതകാലത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്; പ്രതിസന്ധി ഘട്ടങ്ങളിൽ, മനുഷ്യൻ്റെ വിധിന്യായത്തിനാണ് അന്തിമ വാക്ക്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു സമയ ശ്രേണി തിരഞ്ഞെടുക്കുക (പ്രതിമാസമോ ത്രൈമാസമോ). AI-യ്‌ക്ക് മുമ്പ്, സ്‌റ്റേഷണറിറ്റി ഡയഗ്‌നോസ്റ്റിക്‌സ് (ഗ്രാഫ്, ACF/PACF, ADF, KPSS) അഭ്യർത്ഥിച്ച് പ്രവർത്തിപ്പിക്കുക, കൂടാതെ പരമ്പരയെ സ്റ്റേഷണറി/നോൺ-സ്റ്റേഷണറി എന്ന് തരംതിരിക്കുക. ആവശ്യമെങ്കിൽ വേർതിരിക്കുക, ഒരു ARIMA/SARIMA മോഡൽ സജ്ജീകരിച്ച് Ljung-Box ഉപയോഗിച്ച് അവശിഷ്ടങ്ങൾ പരിശോധിക്കുക. 6-12 പിരീഡ് ഫോർവേഡ് പ്രവചനം ഉണ്ടാക്കുക, ഒരു കോൺഫിഡൻസ് ഇൻ്റർവെൽ ഉപയോഗിച്ച് അത് പ്ലോട്ട് ചെയ്യുക. അവസാനമായി, നിങ്ങളുടെ ഡാറ്റയിൽ ഘടനാപരമായ ബ്രേക്ക് ഉണ്ടെങ്കിൽ നിങ്ങളുടെ പ്രവചനം എങ്ങനെ തെറ്റാകുമെന്ന് ഒരു ഖണ്ഡികയിൽ പരിഗണിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ സീരീസ് ആസൂത്രണം ചെയ്യുകയും ട്രെൻഡുകൾ, കാലാനുസൃതത, ഇടവേളകൾ എന്നിവ ദൃശ്യപരമായി പരിശോധിക്കുകയും ചെയ്തു.
• [ ] ഞാൻ ADF, KPSS എന്നിവയിൽ നിശ്ചലത പരീക്ഷിച്ചു; എനിക്ക് ആവശ്യമായ വ്യത്യാസം ലഭിച്ചു.
• [ ] ഞാൻ നേരിട്ടുള്ള റിഗ്രഷൻ ഒഴിവാക്കുകയും നോൺ-സ്റ്റേഷണറി സീരീസ് തമ്മിലുള്ള ഏകീകരണം പരീക്ഷിക്കുകയും ചെയ്തു.
• [ ] ഞാൻ മോഡൽ അവശിഷ്ടങ്ങൾ (Ljung-Box) പരിശോധിച്ച് അത് വെളുത്ത ശബ്ദമാണെന്ന് സ്ഥിരീകരിച്ചു.
• വിശ്വാസ ഇടവേളയോടെയാണ് ഞാൻ എസ്റ്റിമേറ്റ് അവതരിപ്പിച്ചത്; ഞാനത് ഒറ്റ വരിയായി കൊടുത്തില്ല.
• [ ] ഘടനാപരമായ തകരാർ/പ്രതിസന്ധി ഉണ്ടാകുമ്പോൾ പ്രവചനത്തിൻ്റെ പരിധി ഞാൻ ശ്രദ്ധിച്ചു.