Results (
Indonesian) 1:
[Copy]Copied!
Sekarang, mari kita bergerak ke analisis TS. <br><br> <br><br>3. Bagaimana Periksa Stasioneritas dari Seri Waktu? <br>Sebuah TS dikatakan stasioner jika sifat statistik yang seperti mean, varians tetap konstan dari waktu ke waktu. Tapi mengapa itu penting? Sebagian besar model TS bekerja pada asumsi bahwa TS adalah stasioner. Secara intuitif, kita bisa duduk bahwa jika TS memiliki perilaku tertentu dari waktu ke waktu, ada kemungkinan sangat tinggi bahwa itu akan mengikuti yang sama di masa depan. Juga, teori-teori yang berkaitan dengan seri stasioner yang lebih dewasa dan lebih mudah untuk menerapkan dibandingkan dengan seri non-stasioner. <br><br>Stasioneritas didefinisikan menggunakan kriteria yang sangat ketat. Namun, untuk tujuan praktis kita dapat mengasumsikan seri untuk menjadi stasioner jika memiliki sifat statistik yang konstan dari waktu ke waktu, yaitu. berikut ini: <br><br>konstan berarti<br>varians konstan <br>sebuah autokovarian yang tidak tergantung pada waktu. <br>Aku akan melewatkan rincian seperti itu sangat jelas dalam artikel ini. Mari kita bergerak ke cara-cara pengujian stasioneritas. Pertama dan terpenting adalah dengan plot sederhana data dan menganalisa secara visual. Data dapat diplot menggunakan perintah berikut: <br><br>Jelaslah bahwa ada tren secara keseluruhan meningkat dalam data bersama dengan beberapa variasi musiman. Namun, mungkin tidak selalu mungkin untuk membuat kesimpulan visual seperti (kita akan melihat kasus tersebut kemudian). Jadi, lebih formal, kita dapat memeriksa stasioneritas menggunakan berikut:<br><br>Plotting Bergulir Statistik: Kami dapat merencanakan varians rata-rata bergerak atau bergerak dan melihat apakah itu bervariasi dengan waktu. Dengan rata-rata bergerak / varians saya berarti bahwa setiap instan 't', kami akan mengambil rata-rata / varians dari tahun lalu, yaitu 12 bulan terakhir. Tapi sekali lagi ini lebih dari teknik visual. <br>Dickey-Fuller Test: Ini adalah salah satu uji statistik untuk memeriksa kestasioneran. Berikut hipotesis nol bahwa TS adalah non-stasioner. Hasil tes terdiri dari Tes Statistik dan beberapa Nilai Kritis untuk tingkat kepercayaan perbedaan. Jika 'Test Statistic' kurang dari 'Kritis Nilai', kita dapat menolak hipotesis nol dan mengatakan bahwa seri stasioner. Merujuk artikel ini untuk rincian.<br>Konsep-konsep ini mungkin tidak terdengar sangat intuitif pada saat ini. Saya sarankan pergi melalui artikel prekuel. Jika Anda tertarik dalam beberapa statistik teoritis, Anda dapat merujuk Pengantar Time Series dan Peramalan oleh Brockwell dan Davis. Buku ini sedikit statistik-berat, tetapi jika Anda memiliki keterampilan membaca-antara-garis, Anda dapat memahami konsep-konsep dan tangensial menyentuh statistik. <br><br>Kembali ke memeriksa stasioneritas, kita akan menggunakan bergulir statistik plot bersama dengan uji Dickey-Fuller hasil banyak jadi saya telah menetapkan fungsi yang membutuhkan TS sebagai masukan dan dihasilkan mereka untuk kita. Harap dicatat bahwa saya sudah diplot standar deviasi bukan varians untuk menjaga unit mirip dengan berarti. <br><br>Kode ini cukup lurus ke depan. Silahkan untuk membahas kode dalam komentar jika Anda menghadapi tantangan dalam menangkap itu.<br><br>Mari kita jalankan untuk seri masukan kami: <br><br>Meskipun variasi dalam standar deviasi kecil, berarti jelas meningkat dengan waktu dan ini bukan seri stasioner. Juga, uji statistik adalah cara yang lebih dari nilai kritis. Perhatikan bahwa nilai-nilai ditandatangani harus dibandingkan dan bukan nilai absolut. <br><br>Berikutnya, kita akan membahas teknik yang dapat digunakan untuk mengambil TS ini terhadap stasioneritas. <br><br> <br><br>4. Cara membuat Time Series Stationary? <br>Meskipun asumsi stasioneritas diambil dalam banyak model TS, hampir tidak ada time series praktis stasioner. Jadi statistik telah menemukan cara untuk membuat seri stasioner, yang akan kita bahas sekarang. Sebenarnya, yang hampir mustahil untuk membuat seri sempurna stasioner, tapi kami mencoba untuk mengambil itu sedekat mungkin.<br><br>Mari kita memahami apa yang membuat TS non-stasioner. Ada 2 alasan utama di balik non-stationaruty dari TS: <br>1. Trend - bervariasi waktu lebih berarti. Untuk misalnya, dalam hal ini kita melihat bahwa rata-rata, jumlah penumpang tumbuh dari waktu ke waktu. <br>2. Musiman - variasi pada waktu-frame tertentu. orang misalnya mungkin memiliki kecenderungan untuk membeli mobil di bulan tertentu karena selisih gaji atau festival. <br><br>Prinsip yang mendasari adalah model atau memperkirakan tren dan musiman dalam seri dan menghapus orang-orang dari seri untuk mendapatkan seri stasioner. Kemudian teknik peramalan statistik dapat diimplementasikan pada seri ini. Langkah terakhir akan mengkonversi nilai-nilai yang diperkirakan dalam skala yang asli dengan menerapkan tren dan kendala musiman kembali.<br><br>Catatan: Saya akan membahas beberapa metode. Beberapa mungkin bekerja dengan baik dalam kasus ini dan lain-lain mungkin tidak. Tapi idenya adalah untuk mendapatkan memahamkan semua metode dan tidak fokus hanya pada masalah yang dihadapi. <br><br>Mari kita mulai dengan bekerja pada bagian tren.
Being translated, please wait..