時系列分析に統計的手法を使用する

私たちの仕事では、「時系列」などの概念に出くわすことがよくあります。この定義はずっと前に造られました。そして、人々が現象と時間という2つの意味を持つ何かについてのデータを記録し始めたとき。時系列の最も古典的な説明は、1年または数年にわたる温度の記録です。

ただし、行自体は、必要なものを何も含まない情報のコレクションにすぎません。さらに、たとえば、Y軸の時間値と、X軸のデジタル形式で最初に記録またはフォーマットされた読み取り値を使用してこのシリーズをプロットすると、次のことがわかります。いくつかのシーケンス。

気温チャートの場合、日は夜よりも暖かく、冬は夏よりも寒いです。そして、この方法で分析できるデータが多ければ多いほど、いくつかのパターンが強調され、将来何が待ち受けているかをより正確に予測できます。

人々は過去にも同じように考え、タイムラインを扱うプロセスを3つの段階に分けました。データの収集、時系列の分析、次の値の予測です。

しかし、時系列は監査で何に使用できますか？全てにおいて！

– . – . – ! ( — , )

, . , , .

– .

: .

- :

. – .

, 200? 10 , ?

, . :

1. ;

   
   
   
   
   

2. .

   
   
   
   
   

, - , — .

, — . - , . , ?

:

1. — ,

   
   
   
   
   

2. — ,

   
   
   
   
   

3. ,

   
   
   
   
   

4. — ,

   
   
   
   
   

5. — — — ,

   
   
   
   
   

6. DF — GLS,

   
   
   
   
   

7. .

   
   
   
   
   

— , statsmodels python. (statsmodels pandas), , . :

:

:

• (H0): , , ( ).

  
  
  
  
  

• (H1): , , . , , .

  
  
  
  
  

p -values .

p -values — ( ).

 p –values  5%, , , , , , .

, , – .

, , , .

, .