Jak se hodnota vyvíjí v čase? (časová řada)

Stručně

Chcete vědět, jak se hodnota chová v čase, například zápisy za měsíc během deseti let. Statable ukáže průběh, klouzavý průměr a přímku trendu s intervalem, zkontroluje, zda na sobě po sobě jdoucí hodnoty závisejí (autokorelace), a pokud je řada dost dlouhá, oddělí trend, sezónu a zbytek. Trend popisuje řadu v pozorovaném období a neříká, že bude pokračovat stejně. Statable počítá prognózu (ARIMA, automatický výběr, vyhlazování) jen na požádání, s kontrolním seznamem.

Jak tabulka vypadá

Jeden řádek na časový bod. Potřebujete sloupec s hodnotou (číslo) a sloupec s časovým bodem (datum, například 2024-03-01). Statable podle odstupů pozná, zda je řada měsíční, čtvrtletní, roční, týdenní nebo denní; můžete to změnit. Bez data platí pořadí řádků; pak je třeba zadat periodu (12 pro měsíce, 4 pro čtvrtletí, 7 pro dny v týdnu, 1 pro žádnou sezónu).

Chybí-li jednotlivé časové body, zůstanou mezerami: Statable nic nedoplňuje. Trend se počítá na skutečné pozici, autokorelace s až 10 % mezer jako aproximace; dekompozice vyžaduje data bez mezer přes alespoň dvě celé periody.

Čtení výsledku

• Trend říká, o kolik hodnota v průměru roste nebo klesá za jeden časový krok, s 95% intervalem. Pokud na sobě po sobě jdoucí hodnoty závisejí, je obyčejný interval příliš úzký. Statable pak ukáže také interval s efektivním rozsahem výběru: řada se počítá jako méně nezávislých hodnot.
• Korelogram ukazuje autokorelaci pro každé zpoždění. Sloupce mimo čáry (±1,96/√n) vynikají; při mnoha zpožděních je jeden takový k očekávání už jen náhodou. Ljungův-Boxův test kontroluje všechny společně. Durbin-Watson (blízko 2: žádná autokorelace) je jen připomínka a nemá zde p.
• Klasická dekompozice odděluje trend, sezónu a zbytek. Aditivní (sezóna jako odchylka) se hodí, pokud kolísání zůstává stejně velké; multiplikativní (sezóna jako faktor), pokud roste s úrovní. Statable navrhne jednu, člověk vybere.
• Aditivní dekompozice je stejná jako ve SPSS. U multiplikativní se sezónní faktory liší až o 0,4 % (jiná metoda). SPSS vyhlazuje trend až ke krajům; ve Statable na začátku a na konci chybí po půl periodě (jako v R decompose).

Požadavky a omezení

• Trend v řadě se silnou autokorelací může být náhodný (zdánlivý trend). Tvrzení „trend se liší od nuly“ je pak méně jisté, než číslo vypadá.
• Alespoň 10 hodnot, lépe přes 20. Jedna hodnota na časový bod; asistent dat „Agregovat“ spojí více hodnot. Nerovné odstupy (například obchodní dny) umožňují průběh a trend, ale ne autokorelaci a dekompozici.
• Nezahrnuto: diference jako vlastní sloupce (to dělá asistent „Posunout a vyhladit“), testy stacionarity, strukturální zlomy, více řad. Kalendářní vlivy, například přestupné roky nebo počet pracovních dnů, se neopravují.

Uvedení výsledku

Trend: b = 0,25 za měsíc, 95% CI [0,19; 0,31] (efektivní rozsah výběru 22,7 místo 120); R² = ,75; Ljung-Box Q(24) = 410,1, p < ,001

Pro odborníky

Vlastní kód, ověřený proti R 4.6 (stats: lm, acf, filter, decompose, Box.test; lmtest::dwtest). Trend s t(n − 2); při mezerách na skutečné pozici (po stlačení by byl sklon chybný). Autokorelace jako ve stats::acf (na.pass pro mezery), meze ±1,96/√n. Ljung-Box s h = min(10, ⌊n/5⌋) nebo, se sezónou, min(2·perioda, ⌊n/5⌋). Efektivní rozsah výběru podle Santera a kol. (2000): n·(1 − r₁)/(1 + r₁), nejméně 3, jen pro r₁ > 0; interval s t(nEff − 2). Dekompozice jako ve stats::decompose.

Typické příklady

• Zápisy na kurz po měsících během deseti let: trend a semestrální vzorec.
• Týdenní měření výsledku učení: roste v průběhu kurzu?