Pochopení Grangerizace: Průvodce přípravou dat časových řad

Grangerizace je proces transformace dat časové řady do stacionárního procesu, což znamená, že statistické vlastnosti dat zůstávají v čase konstantní. Toho se dosáhne odstraněním trendových a sezónních složek z dat a ponecháním pouze zbytkových variací, které nelze předvídat. řady lze použít k predikci jiné časové řady. Grangerův test kauzality je založen na myšlence, že pokud lze jednu časovou řadu použít k predikci jiné časové řady, pak mezi nimi musí existovat nějaký vztah. Rozdělením dat v podstatě odstraníme všechny vztahy, které by mohly existovat mezi časovými řadami, a ztížíme předpovědi. Detrending: To zahrnuje odstranění celkového trendu z dat proložením lineární nebo logaritmické trendové čáry a následným odečtením od původních dat.
2. Sezónní rozklad: Zahrnuje rozdělení dat na jednotlivé části, jako jsou sezónní vzorce, a jejich odstranění z dat.
3. Diferencování: To zahrnuje zohlednění rozdílu mezi po sobě jdoucími pozorováními v časové řadě, což může pomoci odstranit jakékoli trendy nebo sezónnost, které mohou být přítomny v datech.
4. Autoregresivní modelování integrovaného klouzavého průměru (ARIMA): Zahrnuje přizpůsobení statistického modelu datům, které zahrnují komponenty pro trend, sezónnost a náhodné variace. Model lze poté použít k odstranění těchto složek z dat a ponechat pouze zbytkové variace.……Celkově je grangerizace užitečnou technikou pro přípravu dat časových řad pro analýzu, protože může pomoci odstranit jakékoli matoucí proměnné nebo vztahy, které by mohly ovlivnit výsledky analýzy.