دانلود ppt پاورپوینت تحلیل سری زمانی و حذف روند و مولفه فصلی

در زمینه تحلیل سری زمانی، یکی از گام‌های اساسی برای درک الگوهای پنهان در داده‌ها، تحلیل سری زمانی و حذف روند و مولفه فصلی است. این فرآیند به تحلیلگران کمک می‌کند تا تأثیرات ساختاری مانند افزایش یا کاهش بلندمدت (روند) و نوسانات دوره‌ای (مؤلفه فصلی) را از نویز تصادفی جدا کنند.

یکی از رویکردهای پرکاربرد برای هموارسازی و برآورد روند، استفاده از فیلتر میانگین متحرک متناهی است. این روش با جایگزینی هر نقطه از داده با میانگین مقادیر پیرامون آن، نوسانات کوتاه‌مدت را کاهش داده و مسیر کلی روند را آشکار می‌سازد.

به این ترتیب، یک نسخه هموار شده از سری زمانی به دست می‌آید که روند را بهتر نشان می‌دهد.

هموارسازی نمایی نیز ابزاری قدرتمند برای تخمین روند به شمار می‌رود که وزن بیشتری به مشاهدات اخیر می‌دهد. این روش به ویژه در سری‌هایی که روند آن‌ها به تدریج تغییر می‌کند، کارایی بالایی دارد.

با استفاده از ضرایب هموارسازی مناسب، می‌توان به سرعت به تغییرات روند واکنش نشان داد.

برای برازش یک مدل ریاضی به روند، می‌توان از چندجمله‌ای‌ها استفاده کرد. با انتخاب درجه مناسب برای چندجمله‌ای، می‌توان اشکال مختلف روند، از خطی گرفته تا منحنی، را به داده‌ها برازش داد.

این رویکرد به ویژه زمانی مفید است که روند دارای الگوی مشخص و قابل توصیف با یک تابع ریاضی باشد.

یکی دیگر از روش‌های مؤثر برای حذف روند، تفاضل‌گیری است. این تکنیک شامل محاسبه اختلاف بین مشاهدات متوالی است و می‌تواند میانگین سری را ایستا کند، حتی اگر روند پیچیده‌ای داشته باشد.

با تفاضل‌گیری مناسب، می‌توان تأثیر روند را از بین برد و سری را برای تحلیل‌های بیشتر آماده ساخت.

عملگرهای تفاضل و شیفت به عقب ابزارهای ریاضی هستند که در فرآیند تفاضل‌گیری نقش کلیدی دارند. عملگر شیفت به عقب، یک مشاهده را به مقدار قبلی خود منتقل می‌کند و عملگر تفاضل، اختلاف بین مشاهده فعلی و مشاهده شیفت یافته را محاسبه می‌کند.

درک این عملگرها برای اجرای صحیح تفاضل‌گیری ضروری است.

عملگر تفاضل مرتبه ک، با اعمال مکرر عملگر تفاضل به یک سری، قادر است روندهایی با درجه پیچیدگی بالاتر را حذف کند. ویژگی‌های این عملگرها امکان می‌دهد تا روندهای خطی، درجه دو و حتی بالاتر از داده‌ها حذف شوند.

این امر به ایستا شدن سری برای مدل‌سازی‌های پیشرفته‌تر کمک می‌کند.

در مواردی که هم روند و هم عامل فصلی در داده‌ها وجود دارند، نیاز به تخمین و حذف همزمان این دو مؤلفه است. این مرحله پیچیدگی بیشتری دارد اما برای دستیابی به یک سری ایستا و قابل مدل‌سازی بسیار حیاتی است.

هدف این است که هر دو نوع نوسان سیستماتیک از سری زدوده شوند.

روش کلاسیک برای حذف روند و فصل، یک چارچوب استاندارد برای تجزیه سری زمانی به مؤلفه‌های روند، فصلی و نامنظم ارائه می‌دهد. این روش معمولاً شامل گام‌های متوالی برای شناسایی و حذف هر یک از این مؤلفه‌ها است.

سادگی و سهولت در پیاده‌سازی از مزایای این رویکرد به شمار می‌رود.

برآورد مؤلفه فصلی اغلب با میانگین‌گیری روی انحرافات انجام می‌شود. این به معنای محاسبه میانگین مقادیر برای هر دوره فصلی (مثلاً هر ماه یا هر فصل) پس از حذف روند اولیه است.

این فرآیند به شناسایی دقیق الگوی تکرارشونده فصلی کمک می‌کند.

آزاد‌سازی داده‌ها از عامل فصلی که به آن نمود فصلی‌زدایی (دیسیزونال کردن) نیز گفته می‌شود، گامی حیاتی پس از برآورد مؤلفه فصلی است. با حذف این مؤلفه، سری جدیدی به دست می‌آید که تنها شامل روند و نویز تصادفی است.

این عمل، روند و تغییرات غیرفصلی را بهتر آشکار می‌سازد.

برای مثال، در تحلیل داده‌های مربوط به تصادفات منجر به فوت و حذف روند و فصل از آن‌ها، می‌توانیم تأثیر عوامل فصلی مانند تعطیلات یا فصول خاص را از روند کلی کاهشی یا افزایشی تصادفات جدا کنیم.

این بینش‌ها به سیاست‌گذاران کمک می‌کند تا تصمیمات مؤثرتری برای کاهش تصادفات اتخاذ کنند.

تفاضل‌گیری فصلی با تأخیر د، روشی خاص برای حذف عامل فصلی است که در آن، اختلاف بین مشاهدات یک دوره فصلی و دوره مشابه آن در سال‌های قبل محاسبه می‌شود. این عمل به طور مستقیم نوسانات فصلی را از بین می‌برد.

اندازه تأخیر (د) برابر با طول دوره فصلی است.

حذف عامل فصلی با تفاضل‌گیری فصلی و سپس حذف روند با تفاضل‌گیری معمولی، یک رویکرد جامع برای تحلیل سری زمانی و حذف روند و مولفه فصلی است. این ترکیب اطمینان می‌دهد که هر دو مؤلفه سیستماتیک از سری حذف شده و سری به حالت ایستا برسد.

این توالی عملیات به طور گسترده‌ای در تحلیل‌های سری زمانی استفاده می‌شود.

ایستا کردن سری با تفاضل‌گیری یک و دو مرتبه، گامی ضروری برای اعمال بسیاری از مدل‌های سری زمانی است. پس از رسیدن به سری ایستا، می‌توان آزمون‌های مختلفی برای تحقیق هم‌توزیعی و استقلال (IID بودن) باقی‌مانده‌ها انجام داد.

IID بودن باقی‌مانده‌ها نشان‌دهنده این است که مدل به خوبی تمامی ساختارهای وابسته را توضیح داده است.

برای ارزیابی IID بودن، تابع خودهمبستگی نمونه‌ای (ACF) به عنوان یک آزمون بصری و آماری اولیه عمل می‌کند. همچنین، آزمون پورتمانتو و آماره کیو (Q) و اصلاح آماره لیانگ–باکس برای آزمون وابستگی سری زمانی، از ابزارهای قدرتمند برای تشخیص وجود وابستگی‌های پنهان در باقی‌مانده‌های مدل هستند. این آزمون‌ها به تأیید کفایت مدل کمک می‌کنند.