Der Begriff Zeitreihenanalyse wird häufig anstelle von Regression verwendet und wird von vielen als gleichwertig angesehen. Es gibt jedoch einen erheblichen Unterschied zwischen Regression und Zeitreihenanalyse. Zeitreihendaten sind umfangreich korreliert mit dem Parameter Zeit. Wenn wir beispielsweise über Daten zum Aktienmarkt verfügen und versuchen, eine Aktie vorherzusagen, sind die Daten mit einem Zeitstempel versehen und stark mit der Zeit korreliert. Daher handelt es sich um ein Downside der Zeitreihenanalyse. Aber wenn wir Hausverkaufspreise vorhersagen, vorhersagen verschiedene Variablen den Hauspreis. Zeit ist ebenfalls eine der Variablen, aber andere Variablen spielen eine entscheidende Rolle und die Korrelation mit der Zeit ist gering; Diese Methode ist auch bekannt als Interpolation. Die Regressionsanalyse ist eine mathematische Methode, um die Beziehung zwischen zwei Variablen zu ermitteln. Gleichzeitig ist die Zeitreihenanalyse eine mathematische Methode, um die Beziehung einer Variablen zur Zeit zu ermitteln.
Bei der Zeitreihenanalyse hängen Vorhersagen stark von vergangenen Daten ab, die üblicherweise als „Zeitreihenanalyse“ bezeichnet werden Verzögerung. Wenn jemand beispielsweise versucht, den Börsenwert eines bestimmten Unternehmens vorherzusagen, sollte er über Daten zu Schlüsselindikatoren der letzten Jahre verfügen. Je mehr historische Daten, desto besser ist die Zeitreihenanalyse. Das ist eine der Schwächen der Zeitreihenanalyse; Die Methode erfordert historische Daten (autoregressive Dynamik), um die Zukunft vorherzusagen. Diese Methode ist auch bekannt als Extrapolation. Da die Analyse stark zeitabhängig ist, erfordert die Analyse eine enorme Menge an historischen Daten, um die Zukunft eines interessierenden Merkmals vorherzusagen. Im Gegenteil, Regressionsmodelle hängen neben der Zeit von Merkmalen (einzeln/mehrfach) ab; Daher können selbst Daten eines kleineren Zeitrahmens bessere Ergebnisse liefern als die Zeitreihenanalyse mit mehr historischen Daten.
Im Bild oben habe ich ein Verkaufsdatendiagramm für ein hypothetisches Unternehmen über einen Zeitraum von zehn Jahren erstellt. Die Finest-Match-Linie zeigt die Korrelation der Verkäufe (verursacht durch mehrere Faktoren) mit der Zeit. Die Finest-Match-Linie beginnt über 100 und bewegt sich bis etwa 96. Daher kann man gemäß der Finest-Match-Linie den Verkauf für das nächste Jahr zwischen 96 und 100 Einheiten vorhersagen.
Im obigen Bild ist zu erkennen, dass die Umsätze im Jahr 2019 sprunghaft anstiegen und im Jahr 2020 erheblich anstiegen. Bei der Regressionsanalyse werden historische Daten für die Vorhersage berücksichtigt. Die vergangenen Daten werden als bezeichnet Verzögerung in der Zeitreihenanalyse. Wenn additionally die Verzögerung als zwei Einheiten betrachtet wird und 2020 ist tDann 2019 ist t-1Und 2018 ist T-2. Daher lag der Absatz im Jahr 2019 bei 80 und im Jahr 2018 bei 100. Gemäß der Analyse der letzten beiden Verzögerungen ist ein Rückgang des Absatzes um 20 Einheiten zu verzeichnen; Nach dieser Verzögerung dürfte es im Jahr 2020 zu einem Rückgang um weitere 20 Einheiten kommen, und die Analyse sollte einen Umsatz von 60 für 2020 prognostizieren. Die realen Verkaufsdaten in der Grafik zeigen jedoch einen Umsatz von 105, was näher an den angegebenen Daten liegt durch die am besten geeignete Linie in der Regressionsanalyse. Daher ist in der Zeitreihenanalyse für die Vorhersage eine große Menge historischer Daten (Lag) erforderlich.
Verweise:
Man kann Diagramme erstellen für: https://statscharts.com/line/linechart
Ein sehr hilfreiches Video, um den Unterschied zwischen Zeitreihen und Regression zu verstehen: https://www.youtube.com/watch?v=whmI0WHuIK4
Kontaktieren Sie mich gerne auf LinkedIn: https://www.linkedin.com/in/aaryabrahmane11/
Viel Spaß beim Lernen!
Frieden!
