¿Qué son los datos de series temporales?

Pregunta 1: ¿Qué es una serie de tiempo? El análisis de series de tiempo es un método estadístico de procesamiento dinámico de datos. Este método se basa en la teoría de procesos aleatorios y métodos de estadística matemática, y estudia las leyes estadísticas seguidas por secuencias de datos aleatorias para resolver problemas prácticos. Incluye análisis estadístico general (como análisis de autocorrelación, análisis espectral, etc.), establecimiento e inferencia de modelos estadísticos, predicción óptima, control y filtrado de series temporales. El análisis estadístico clásico asume la independencia de las series de datos, mientras que el análisis de series de tiempo se centra en la interdependencia de las series de datos. Este último es en realidad un análisis estadístico de procesos estocásticos de indicadores discretos y, por lo tanto, puede considerarse como una parte integral de las estadísticas de procesos estocásticos. Por ejemplo, el primer mes, el segundo mes, ... registra el enésimo mes en un área determinada, y las precipitaciones en los próximos meses se pueden predecir utilizando el método de análisis de series de tiempo.

Pregunta 2: ¿Qué tipo de datos son adecuados para el análisis de modelos de series temporales? Puede ir al Anuario Estadístico o stats.gov (el sitio web de la Oficina Nacional de Estadísticas de la República Popular China) para encontrar los datos que necesita.

Aspectos meteorológicos, aspectos financieros, nivel de urbanización de China y otros temas relacionados con la socialización, índice bursátil (también pertenece al campo financiero).

Utilice un modelo de series de tiempo para predecir el consumo de agua urbano por hora

autooo/classid36-id9874

La biblioteca vende muchos libros relacionados en esta área.

Pregunta 3: ¿Cuál es la diferencia entre datos de series temporales y datos transversales? Los datos de series de tiempo son un vector de observaciones del mismo objeto en el tiempo, por lo que deben estar en un orden determinado.

(X1,

{X1, X2,...,Xn}

Pregunta 4: ¿El análisis de series temporales es adecuado para grandes cantidades de datos históricos? Una serie de tiempo es una secuencia de números ordenados cronológicamente. El análisis de series de tiempo consiste en utilizar esta secuencia y aplicar estadísticas matemáticas para procesarla y predecir el desarrollo de cosas futuras. El análisis de series de tiempo es uno de los métodos de previsión cuantitativa. Sus principios básicos son: primero, reconocer la continuidad del desarrollo de las cosas. Utilizando datos del pasado, puedes inferir cómo se están desarrollando las cosas. El segundo es considerar la aleatoriedad del desarrollo de las cosas. El desarrollo de cualquier cosa puede verse afectado por factores aleatorios, por lo que se debe utilizar el método de promedio ponderado en el análisis estadístico para procesar datos históricos. Este método es simple y fácil de dominar, pero tiene poca precisión y generalmente solo es adecuado para predicciones a corto plazo.

Pregunta 5: ¿Cuál es la diferencia entre datos de series temporales y datos transversales? Para los datos de series de tiempo y datos transversales, se observa un indicador estadístico en diferentes períodos y los datos obtenidos se organizan en orden cronológico, por lo que los datos estadísticos obtenidos se denominan datos de series de tiempo. Las ventas mensuales, las importaciones trimestrales y los saldos de depósitos de fin de año son datos de series temporales. Por el contrario, si se observa un índice en diferentes individuos, se obtiene un conjunto de datos transversales para ese índice.

Pregunta 6: ¿Qué tipo de datos son adecuados para el modelado de series temporales? Puede ir al Anuario Estadístico o stats.gov (el sitio web de la Oficina Nacional de Estadísticas de la República Popular China) para encontrar los datos que necesita.

Aspectos meteorológicos, aspectos financieros, nivel de urbanización de China y otros temas relacionados con la socialización, índice bursátil (también pertenece al campo financiero).

Utilice un modelo de series de tiempo para predecir el consumo de agua urbano por hora

autooo/classid36-id9874

La biblioteca vende muchos libros relacionados en esta área.

Pregunta 7: Consulte si estos datos son datos de series temporales o datos de panel. 20 puntos dependen de si sus datos son los datos de emisiones de carbono (Y) y PIB (X) de un solo lugar de 1998 a 2010, o los datos de varios lugares. Los primeros son datos de series de tiempo y los segundos son datos de panel (los datos de series de tiempo se refieren a los valores observados de la misma variable explicativa en diferentes momentos en el mismo lugar; en pocas palabras, son los datos de Y y X en un lugar determinado; los datos del panel se refieren a la misma explicación. Valores observados de variables en diferentes momentos (por ejemplo, Y y X seleccionan datos de varias provincias). Creo que puedes entender.

Para la segunda pregunta: las variables seleccionadas para la prueba de cointegración y la prueba de estacionariedad son las mismas.

El análisis de cointegración necesita probar primero la estacionariedad de cada serie, es decir, la prueba de raíz unitaria. Para variables múltiples, generalmente se pueden utilizar la prueba ADF y la prueba PP.

En segundo lugar, realice una prueba de cointegración entre variables. Los métodos de prueba de cointegración incluyen, por ejemplo, el método de dos pasos y la prueba JJ. El método de dos pasos de EG se usa generalmente para probar la relación de cointegración entre dos variables, y el método de prueba de JJ generalmente se usa para tres o más variables.

En tercer lugar, el modelo de corrección de errores vectoriales (VECM) se utiliza para establecer la relación de equilibrio a corto plazo entre variables, y la relación de equilibrio a largo plazo se incluye en la ecuación como un término de corrección de errores para reflejar la grado de fluctuaciones a corto plazo que se desvían del equilibrio a largo plazo. Luego, la prueba de Wald se puede utilizar para probar conjuntamente la importancia de los coeficientes de cada ecuación en el modelo de corrección de errores para determinar la dirección de causalidad de cada variable.

Pregunta 8: Cómo generar nuevos datos de series temporales 1. Utilice el comando crear para generar un archivo de trabajo con un intervalo de 2010-2015.

2. Ingrese: series [email protected] en la ventana de comando para generar una serie de tiempo entera basada en este tiempo. En este caso, ingrese series[email protected](2010), presione Enter para generar y haga clic en T para ver.