Il prossimoProssima guida
Decodifica WFST nel riconoscimento vocale
Tecnico
GUIDA TECNICA
Una serie temporale stazionaria ha un comportamento statistico stabile nel tempo, come una media costante e una struttura di autocovarianza in condizioni di stazionarietà debole.
Ascolta questa guidaNarrato dall'IA · ~3 min
La differenziazione può rimuovere le tendenze stocastiche, mentre i test ADF e KPSS forniscono prove complementari le cui ipotesi nulle devono essere interpretate con attenzione.
Stazionarietà significa che le proprietà distribuzionali rilevanti non cambiano nel tempo. La stazionarietà rigorosa richiede che la distribuzione congiunta completa sia invariante rispetto agli spostamenti temporali. La stazionarietà debole, comunemente usata nei modelli di serie temporali, richiede una media costante, una varianza costante finita e un'autocovarianza che dipende solo dal ritardo piuttosto che dal tempo del calendario. Molti modelli di previsione si basano su serie stazionarie o trasformate perché il cambiamento dei livelli e della dipendenza può rendere inaffidabili le relazioni storiche. La differenziazione calcola y_t - y_(t-1) e può rimuovere un trend stocastico. La differenziazione stagionale sottrae y_t - y_(t-s), dove s è la durata del ciclo, per affrontare la persistenza stagionale. La differenziazione è diversa dalla detrending: una tendenza deterministica può essere modellata e rimossa, mentre un processo simile a una radice unitaria può richiedere differenze. Una differenziazione eccessiva può indurre rumore e autocorrelazione non necessari. Utilizza grafici, contesto e test per guidare le trasformazioni. Il test Augmented Dickey-Fuller (ADF) ha un'ipotesi nulla di radice unitaria; il mancato rifiuto non è prova di una radice unitaria, soprattutto con potere limitato. Il test KPSS utilizza la stazionarietà come valore nullo, con varianti per la stazionarietà del livello o del trend. I loro nulli opposti li rendono complementari. Ad esempio, il fatto che ADF non riesca a rifiutare mentre KPSS rifiuta fornisce prova contro la semplice stazionarietà, ma i test sono sensibili alle scelte di ritardo, ai termini deterministici, alla lunghezza del campione e alle rotture strutturali. Dopo una trasformazione, verificare se la media e la varianza appaiono stabili, se rimangono modelli stagionali e se la dipendenza residua è appropriata per il modello pianificato. Il risultato di un test non seleziona meccanicamente l'ordine di differenza. Conserva le trasformazioni per la previsione inversa ed evita di perdere osservazioni future nella selezione dei parametri. La stazionarietà è una proprietà del processo o del processo trasformato, non un'etichetta garantita da un valore p. L'andamento delle previsioni sulle osservazioni successive rimane la verifica pratica che la rappresentazione scelta supporti l'orizzonte previsto.
Un'ipotetica serie mensile in costante aumento. Le prime differenze sottraggono il valore del mese precedente da ciascun valore corrente, trasformando una tendenza di livello in variazioni mensili che potrebbero essere più stabili.
Il test ADF non riesce a rifiutare il suo valore nullo di radice unitaria mentre KPSS rifiuta il suo valore nullo di stazionarietà. Insieme, questi risultati supportano lo studio della nonstazionarietà, ma nessuno dei due test da solo certifica la corretta trasformazione.
Una serie con un trend deterministico viene detrendizzata adattando un trend temporale e analizzando il comportamento residuo, mentre una serie stazionaria rispetto alla differenza può richiedere la differenziazione; il processo dei dati informa quale approccio è adatto.
Dopo aver differenziato una volta, un analista traccia la serie trasformata e controlla la varianza, i modelli stagionali e l'autocorrelazione. Una seconda differenza non viene applicata automaticamente solo perché il valore p del test rimane scomodo.
I flussi di lavoro delle serie temporali dovrebbero combinare test di stazionarietà con grafici, conoscenza dei processi e convalida delle previsioni anziché fare affidamento su un unico risultato superato/fallito. Gli analisti possono registrare l'ordine di differenziazione, il periodo stagionale e i termini deterministici, quindi verificare che le trasformazioni inverse preservino l'interpretazione delle previsioni. Il monitoraggio delle interruzioni e della variazione della varianza aiuta a identificare quando una rappresentazione precedentemente stazionaria non si adatta più. Man mano che arrivano più dati, riprova e confronta le previsioni nelle finestre successive. Buoni report spiegano cosa è stato trasformato e perché, in modo che gli utenti a valle possano distinguere un'ipotesi di modello stabile da una proprietà verificata di tutti i dati futuri.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Una serie temporale stazionaria ha un comportamento statistico stabile nel tempo, come una media costante e una struttura di autocovarianza in condizioni di stazionarietà debole. La differenziazione può rimuovere le tendenze stocastiche, mentre i test ADF e KPSS forniscono prove complementari le cui ipotesi nulle devono essere interpretate con attenzione.
La stazionarietà debole richiede che la covarianza dipenda dal ritardo di separazione piuttosto che dalla posizione temporale assoluta.
La prima differenziazione si applica y_t - y_(t-1), concentrandosi su modifiche consecutive.
Il valore nullo di ADF è una radice unitaria; l'alternativa è la stazionarietà secondo i termini deterministici specificati.
KPSS tratta la stazionarietà del livello o del trend come il suo valore nullo, integrando il valore nullo della radice unitaria di ADF.
La differenziazione stagionale confronta le osservazioni a passi di distanza, dove s è la durata del ciclo.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Decodifica WFST nel riconoscimento vocale
Tecnico