Zrozumienie Grangerizing: Przewodnik po przygotowaniu danych szeregów czasowych

Grangeryzacja to proces przekształcania danych szeregów czasowych w proces stacjonarny, co oznacza, że właściwości statystyczne danych pozostają niezmienne w czasie. Odbywa się to poprzez usunięcie z danych składników trendu i sezonowości, pozostawiając jedynie wahania resztkowe, których nie można przewidzieć.…
Termin „grangeryzacja” pochodzi od nazwy testu przyczynowości Grangera, który jest testem statystycznym używanym do określenia, czy jednorazowo szeregi można wykorzystać do przewidzenia innego szeregu czasowego. Test przyczynowości Grangera opiera się na założeniu, że jeśli jeden szereg czasowy może zostać wykorzystany do przewidzenia innego szeregu czasowego, to musi istnieć między nimi jakiś związek. Grangeryzując dane, zasadniczo usuwamy wszelkie relacje, które mogą istnieć między szeregami czasowymi, co utrudnia przewidywanie.

Istnieje kilka metod grangeryzacji danych szeregów czasowych, w tym:

1. Detrendowanie: polega na usunięciu ogólnego trendu z danych poprzez dopasowanie linii trendu liniowego lub logarytmicznego, a następnie odjęcie go od oryginalnych danych.
2. Dekompozycja sezonowa: obejmuje podział danych na części składowe, takie jak wzorce sezonowe, i usunięcie ich z danych.
3. Różnicowanie: polega na braniu różnicy pomiędzy kolejnymi obserwacjami w szeregach czasowych, co może pomóc w usunięciu wszelkich trendów lub sezonowości, które mogą występować w danych.
4. Modelowanie autoregresyjnej zintegrowanej średniej ruchomej (ARIMA): obejmuje dopasowanie modelu statystycznego do danych, który zawiera komponenty trendu, sezonowości i zmienności losowej. Model można następnie wykorzystać do usunięcia tych składników z danych, pozostawiając jedynie resztkowe różnice.

Ogólnie rzecz biorąc, grangeryzacja jest użyteczną techniką przygotowywania danych szeregów czasowych do analizy, ponieważ może pomóc w usunięciu wszelkich zakłócających zmiennych lub zależności, które mogą mieć wpływ na wyniki analizy.