Grangerizingin ymmärtäminen: opas aikasarjatietojen valmisteluun

Grangerizing on prosessi, jossa aikasarjadata muunnetaan stationääriseksi prosessiksi, mikä tarkoittaa, että datan tilastolliset ominaisuudet pysyvät muuttumattomina ajan myötä. Tämä tehdään poistamalla tiedoista trendi- ja kausivaihtelukomponentit, jolloin jäljelle jää vain jäännösvaihtelut, jotka eivät ole ennustettavissa.

Termi "grangerizing" tulee Grangerin kausaalisuustestin nimestä, joka on tilastollinen testi, jolla määritetään, onko yksi kerta sarjaa voidaan käyttää toisen aikasarjan ennustamiseen. Grangerin kausaalisuustesti perustuu ajatukseen, että jos yhdellä aikasarjalla voidaan ennustaa toista aikasarjaa, niin näiden kahden välillä täytyy olla jonkinlainen yhteys. Tietojen luokittelulla poistamme olennaisesti kaikki aikasarjojen väliset suhteet ja vaikeutamme ennustamista.

On olemassa useita menetelmiä aikasarjojen tietojen grangerointiin, mukaan lukien:

1. Detrending: Tämä tarkoittaa yleisen trendin poistamista tiedoista sovittamalla lineaarinen tai logaritminen trendiviiva ja vähentämällä se sitten alkuperäisestä tiedosta.
2. Kausiluonteinen jakautuminen: Tämä sisältää tietojen jakamisen sen komponentteihin, kuten kausiluonteisiin kuvioihin, ja niiden poistamisen tiedoista.
3. Erottaminen: Tämä tarkoittaa aikasarjan peräkkäisten havaintojen välisen eron ottamista, mikä voi auttaa poistamaan tiedoissa mahdollisesti esiintyvät trendit tai kausivaihtelut.
4. Autoregressiivinen integroitu liukuva keskiarvo (ARIMA) -mallinnus: Tämä sisältää tilastollisen mallin sovittamisen tietoihin, jotka sisältävät trendin, kausivaihtelun ja satunnaisvaihtelun komponentteja. Mallia voidaan sitten käyttää näiden komponenttien poistamiseen tiedoista jättäen vain jäännösvariaatiot.

Yleensä grangerizing on hyödyllinen tekniikka aikasarjatietojen valmistelemiseksi analysointia varten, koska se voi auttaa poistamaan kaikki hämmentävät muuttujat tai suhteet, jotka saattavat vaikuttaa analyysin tulokset.