အချိန်စီးရီးကို ထူးခြားစေသည်မှာ ဘာလဲ
အချိန်စီးရီးသည် အချိန်တစ်လျှောက် စုဆောင်းထားသော ဒေတာအမှတ်များ အစဉ်ဖြစ်သည် -- နေ့စဉ် စတော့ဈေးနှုန်းများ၊ လစဉ် ရောင်းအားကိန်းဂဏန်းများ၊ နာရီစဉ် အပူချိန်ဖတ်ရှုမှုများ။ အချိန်စီးရီး ဒေတာကို ထူးခြားစေသည်မှာ အစဉ်အရ အရေးကြီးခြင်းဖြစ်သည်။ လေ့လာတွေ့ရှိချက်တစ်ခုစီသည် ၎င်း၏ ရှေ့နှင့် နောက်ဘက်ရှိ အမှတ်များနှင့် ဆက်စပ်နေသည်။
အထက်ပါ scatter plot သည် တစ်နှစ်စာ လစဉ်ရောင်းအား ဒေတာကို ပြသည်။ ဤတိုတော့ စီးရီးတွင်ပင် အချိန်တစ်လျှောက် ယေဘုယျ အတက်လမ်းကြောင်း မြင်နိုင်သည်။
လမ်းကြောင်းများ: ရေရှည် ဦးတည်ချက်
လမ်းကြောင်းသည် အချိန်စီးရီးတွင် ရေရှည် အတက် သို့မဟုတ် အကျ ရွေ့လျားမှုဖြစ်သည်။ လမ်းကြောင်း ခွဲခြားခြင်းသည် ကြီးမားသော ပုံရိပ်ကို နားလည်ရန် ကူညီပြီး ဆူညံသံမှ အချက်ပြမှုကို ခွဲခြားနိုင်စေသည်။
ရာသီလိုက်မှု: ထပ်ခါထပ်ခါ ပုံစံများ
ရာသီလိုက်မှုသည် သတ်မှတ်ထားသော ကာလတစ်ခုအတွင်း ထပ်ခါထပ်ခါ ဖြစ်ပေါ်သော ပုံမှန်၊ ခန့်မှန်းနိုင်သော ပုံစံများကို ရည်ညွှန်းသည်။ လက်လီရောင်းအား ဒီဇင်ဘာတိုင်း မြင့်တက်သည်။ ရေခဲမုန့်ရောင်းအား နွေရာသီတွင် အမြင့်ဆုံးဖြစ်သည်။
အထက်ပါ ဇယားသည် နှစ်တစ်နှစ်၏ အလယ်တွင် ရှင်းလင်းသော ရာသီလိုက် ထိပ်သီးရှိသော နှစ်နှစ်စာ ဒေတာကို ပြသည်။ ဒုတိယနှစ်၏ တန်ဖိုးများ ပထမနှစ်ထက် အနည်းငယ် ပိုမြင့်ကြောင်း သတိပြုပါ -- ရာသီလိုက်မှုနှင့် ပေါင်းစပ်ထားသော အတက်လမ်းကြောင်းကို ညွှန်ပြသည်။
ရွေ့လျားပျမ်းမျှများ: ဆူညံသံကို ချောမွေ့စေခြင်း
အကြမ်း အချိန်စီးရီး ဒေတာသည် မကြာခဏ ဆူညံသည်။ ရွေ့လျားပျမ်းမျှသည် အမှတ်တစ်ခုစီကို ၎င်း၏ ပတ်ဝန်းကျင် အမှတ်များ၏ ပျမ်းမျှဖြင့် အစားထိုးခြင်းဖြင့် ဒေတာကို ချောမွေ့စေသည်။
ကပ်ရောဂါကာလတွင် နေ့စဉ် ကူးစက်သူအရေအတွက်သည် အစီရင်ခံမှု နှောင့်နှေးမှုကြောင့် ရက်သတ္တပတ်နေ့တွင် နည်းပြီး တနင်္လာနေ့တွင် ပိုများသည်။ ရက် 7 ရွေ့လျားပျမ်းမျှသည် ဤနေ့-ရက်သတ္တပတ် အကျိုးသက်ရောက်မှုကို ဖယ်ရှားပြီး အမှန်တကယ် လမ်းကြောင်းကို ပေါ်လွင်စေသည်။
Autocorrelation: ယနေ့သည် မနေ့နှင့် ဘယ်လို ဆက်စပ်သနည်း
Autocorrelation သည် အချိန်စီးရီးတစ်ခုသည် ၎င်း၏ နှောင့်နှေးထားသော ပုံစံနှင့် မည်မျှ ခိုင်မာစွာ ဆက်စပ်နေသည်ကို တိုင်းတာသည်။ လစဉ်ဒေတာတွင် lag 12 တွင် မြင့်မားသော autocorrelation ပြသပါက နှစ်စဉ် ရာသီလိုက် ပုံစံကို ခိုင်မာစွာ ညွှန်ပြသည်။
ခန့်မှန်းခြင်း: ရှေ့ကို ကြည့်ခြင်း
အချိန်စီးရီး ခွဲခြမ်းစိတ်ဖြာမှု အများအပြား၏ နောက်ဆုံး ရည်ရွယ်ချက်မှာ ခန့်မှန်းခြင်း -- သမိုင်းဝင် ပုံစံများကို အသုံးပြု၍ အနာဂတ် တန်ဖိုးများကို ခန့်မှန်းခြင်းဖြစ်သည်။ ခန့်မှန်းချက်များတွင် မသေချာမှု ကြားကာလများ အမြဲ ပါဝင်သင့်ပြီး အနာဂတ်ကို ပိုဝေးကြည့်လေ ထိုကြားကာလများ ပိုကျယ်သင့်သည်။
အချိန်စီးရီး ဒေတာသည် လေ့လာတွေ့ရှိချက်များ၏ အစဉ် အရေးကြီးပြီး အနီးအနား အမှတ်များ ဆက်စပ်နေသောကြောင့် ထူးခြားသည်။ ရှာဖွေရန် အဓိက အစိတ်အပိုင်း သုံးခုမှာ လမ်းကြောင်း (ရေရှည် ဦးတည်ချက်)၊ ရာသီလိုက်မှု (ထပ်ခါထပ်ခါ ပုံစံများ) နှင့် ဆူညံသံ (ကျပန်း အတက်အကျများ) ဖြစ်သည်။ ရွေ့လျားပျမ်းမျှများသည် ပုံစံများ ပေါ်လွင်ရန် ဆူညံသံကို ချောမွေ့စေပြီး autocorrelation သည် အတိတ်တန်ဖိုးများ အနာဂတ်တန်ဖိုးများကို မည်မျှ ခိုင်မာစွာ ခန့်မှန်းသည်ကို ဖော်ထုတ်သည်။