Nếu bạn có dữ liệu theo thứ tự thời gian dữ liệu chuỗi thời gian thì có "những điều đã biết" và chờ đợi để được khám phá là những "ẩn số". Ví dụ: nếu bạn có một chuỗi các điểm dữ liệu trong 10 giai đoạn, chẳng hạn như 1,9,1,9,1,5,1,9,1,9 thì dựa trên mẫu này, người ta có thể mong đợi một cách hợp lý 1,9,1,9 , ... sẽ phát sinh trong tương lai. Những gì phân tích dữ liệu tiết lộ là có một cách đọc "bất thường" ở giai đoạn 6 mặc dù nó cũng nằm trong giới hạn + -3 sigma cho thấy DGF đã không giữ. Bộc lộ Đầu vào / Ngoại lệ cho phép chúng tôi tiết lộ những điều về dữ liệu. Chúng tôi cũng lưu ý rằng Giá trị trung bình không phải là Giá trị mong đợi. Ý tưởng này dễ dàng mở rộng để phát hiện các Dịch chuyển trung bình và / hoặc Xu hướng thời gian địa phương có thể chưa được biết trước khi dữ liệu được phân tích (Tạo giả thuyết). Bây giờ hoàn toàn có thể là 10 bài đọc tiếp theo cũng là 1,9,1,9, 1,5,1,9,1,9 cho thấy rằng "5" không nhất thiết là không có. Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. 9 gợi ý rằng "5" không nhất thiết là không có. Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. 9 gợi ý rằng "5" không nhất thiết là không có. Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. không nhất thiết là vô song Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. không nhất thiết là vô song Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. Nếu chúng ta quan sát quá trình lỗi từ một mô hình phù hợp thể hiện phương sai không cố định có thể chứng minh được, chúng ta có thể tiết lộ một trong những trạng thái tự nhiên sau: 1) các tham số có thể đã thay đổi tại một thời điểm cụ thể; 2. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. Có thể cần phân tích trọng số (GLS); 3. Có thể cần phải chuyển đổi dữ liệu thông qua một biến đổi sức mạnh; 4. Có thể cần phải thực sự mô hình hóa phương sai của các lỗi. Nếu bạn có dữ liệu hàng ngày, phân tích tốt có thể tiết lộ rằng có một cửa sổ phản hồi (cấu trúc dẫn, đồng thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. cấu trúc đương thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt. cấu trúc đương thời và độ trễ) xung quanh mỗi Ngày lễ phản ánh hành vi nhất quán / có thể dự đoán được. Bạn cũng có thể tiết lộ rằng một số ngày nhất định trong tháng có ảnh hưởng đáng kể hoặc thứ Sáu trước ngày nghỉ thứ Hai có hoạt động đặc biệt.