Aikasarjojen analysointi ei pidäabstrakti tilastollinen käsite, ja ilmiönä, jota käytetään laajasti käytännössä, voidaan päätellä, että tämä aihe on erittäin tärkeä nykyään useiden prosessien tutkinnassa. Se on erityisen kysyttyä ihmisen taloudellisessa toiminnassa, joten suurin osa suositellusta tiedekirjallisuudesta on annettu juuri sen käytön kannalta tässä yhteydessä. Mutta tämä ei estä aikasarjojen tutkimista ja arviointia.
Aikasarjan määritelmä on suurelta osinmuistuttaa meitä tilastotietojen keräämisprosessista ja koostuu todellisten indikaattorien selvästä vahvistamisesta tietyin väliajoin, mitattuna siten, että luotettavuus on suurin. Toisin sanoen mitä tahansa ilmiötä kuvattaessa käytetään kaaviota, jossa mittauksen aikaindikaattorit on kiinnitetty abscissa -akselille ja sen todelliset fyysiset arvot ordinaattiakselille.
Itse asiassa menetelmät aikasarjojen analysoimiseksi omanaaika muodosti perustan monien fyysisten lakien ja teknisten prosessien kuvaukselle. Niiden yleistäminen mahdollisti kuvausprosessin supistamisen tiettyyn matemaattiseen ilmaisuun. Kaikki prosessit eivät kuitenkaan mahtuneet selkeiden kaavojen kehykseen. Eikä kukaan peruuttanut kahden pääongelman ratkaisua. He ovat:
- sarjan luonteen määrittäminen;
- ennustaminen.
Niinpä aikasarja -analyysi sai lisävoimaa sen kehittämiseen, ja sen arsenaaliin ilmestyi runsaasti työkaluja ja menetelmiä.
Klassinen esimerkki aikasarjasta on sarja,ehdotti vuonna 1976 Box ja Jenkins. Esimerkillä tutkimalla kuukausittaisen kansainvälisen lentoliikenteen toimintaa kahdentoista vuoden aikana vuosina 1949-1960, ne osoittivat kahden komponentin läsnäolon: lähes lineaarisen suuntauksen ja kausivaihtelut. Kun liikenteen kasvu tasaisesti kasvoi ja kaudesta riippuen, toiminta toi ajoittain piikkiä ja laskua. Tämän tyyppistä kuvausta kutsutaan moninkertaiseksi kausivaihtelumalliksi.
Samana vuonna sama Box ja Jenkins ehdottivat ennustamisen kannalta erittäin mielenkiintoista, mutta erittäin työlästä ja monimutkaista menetelmää Autoregressive Integrated Moving Average (ARIMA).
Kun tutkitaan prosesseja, joihin vaikuttaaulkopuolelta käytännön keskeytettyjen aikasarjojen menetelmä on yleistynyt. Se kuvattiin viime vuosisadan 80 -luvulla. Menetelmän ydin on prosessien tutkiminen järjestelmän ulkoisen häiriön jälkeen. Aikasarja-analyysin oli tarkoitus arvioida uusien hallintamenetelmien käyttöönottoa, erilaisten taitotietojen käyttöä, lainsäädäntöprosessien vaikutuksia jne.
Aikasarjojen spektrianalyysi ilmestyiaiempien menetelmien perusteella. Tämän menetelmän arviointikriteereistä aika ja taajuus ovat selvästi näkyvissä. Kompleksilukuja ja Fourier -muunnoksia käytetään laajalti laskelmissa.
Runsaasti menetelmiä ja tapoja, joihin liittyyaikasarja -analyysi vahvistaa, kuinka hedelmällinen tämä maaperä on lisätutkimuksia varten. Loppujen lopuksi näiden prosessien kuvaukset ovat melko hankalia ja vaativat analyytikolta jonkin verran kokemusta. Voimakas harppaus henkilökohtaisen tietotekniikan kehittämisessä on johtanut tämän tyyppisen analyysin tekemiseen uudelle laadulliselle tasolle. Ja Internetin kaikkialla läsnäolo on tehnyt tämän alan uusimman tutkimuksen tulokset saataville laajalle luokalle.
Mitä, jos ei aikasarja -analyysiä, käyttäämenestyvä toimija Forex -markkinoilla, yrityksen kehittämisaikataulujen tutkimuksen avulla johtaja voi kehittää oikean strategisen linjan, ja markkina -arviointi tarjoaa markkinoille ja johtajille laajan toiminta -alan, jonka avulla voit säätää hintatasoa ja vaihteluväliä myydyistä tuotteista tai palveluista mahdollisimman suuren hyödyn saamiseksi.
Jokainen analyysimenetelmä ansaitsee erityistä huomiota ja vaatii perusteellista tutkimusta. Ja jos olet kiinnostunut ainakin yhdestä niistä, artikkelin tavoite on saavutettu.
