Κατανόηση του Grangerizing: Ένας οδηγός για την προετοιμασία δεδομένων χρονοσειρών

Το Grangerizing είναι μια διαδικασία μετατροπής δεδομένων χρονοσειράς σε σταθερή διαδικασία, που σημαίνει ότι οι στατιστικές ιδιότητες των δεδομένων παραμένουν σταθερές με την πάροδο του χρόνου. Αυτό γίνεται αφαιρώντας τα στοιχεία τάσης και εποχικότητας από τα δεδομένα, αφήνοντας μόνο τις υπολειπόμενες παραλλαγές που δεν είναι προβλέψιμες.

Ο όρος "grangerizing" προέρχεται από το όνομα του τεστ αιτιότητας Granger, το οποίο είναι ένα στατιστικό τεστ που χρησιμοποιείται για να προσδιορίσει εάν μία φορά Η σειρά μπορεί να χρησιμοποιηθεί για την πρόβλεψη μιας άλλης χρονοσειράς. Το τεστ αιτιότητας Granger βασίζεται στην ιδέα ότι εάν μια χρονοσειρά μπορεί να χρησιμοποιηθεί για την πρόβλεψη μιας άλλης χρονοσειράς, τότε πρέπει να υπάρχει κάποιο είδος σχέσης μεταξύ των δύο. Με τη διασπορά των δεδομένων, ουσιαστικά καταργούμε τυχόν σχέσεις που μπορεί να υπάρχουν μεταξύ των χρονοσειρών και καθιστούμε πιο δύσκολη την πρόβλεψή τους.

Υπάρχουν διάφορες μέθοδοι για τη διασπορά δεδομένων χρονοσειρών, όπως:

1. Detrending: Αυτό περιλαμβάνει την αφαίρεση της συνολικής τάσης από τα δεδομένα τοποθετώντας μια γραμμική ή λογαριθμική γραμμή τάσης και στη συνέχεια αφαιρώντας την από τα αρχικά δεδομένα.
2. Εποχιακή αποσύνθεση: Αυτό περιλαμβάνει τη διάσπαση των δεδομένων στα συστατικά τους μέρη, όπως τα εποχιακά μοτίβα, και την αφαίρεσή τους από τα δεδομένα.
3. Διαφοροποίηση: Αυτό περιλαμβάνει τη λήψη της διαφοράς μεταξύ διαδοχικών παρατηρήσεων στη χρονοσειρά, η οποία μπορεί να βοηθήσει στην εξάλειψη τυχόν τάσεων ή εποχικότητας που μπορεί να υπάρχουν στα δεδομένα.
4. Μοντελοποίηση Autoregressive Integrated Moving Average (ARIMA): Αυτό περιλαμβάνει την προσαρμογή ενός στατιστικού μοντέλου στα δεδομένα που περιλαμβάνει στοιχεία για την τάση, την εποχικότητα και την τυχαία διακύμανση. Στη συνέχεια, το μοντέλο μπορεί να χρησιμοποιηθεί για την αφαίρεση αυτών των στοιχείων από τα δεδομένα, αφήνοντας μόνο τις υπολειπόμενες παραλλαγές. αποτελέσματα της ανάλυσης.