Tương quan chéo giữa hai loạt theo mùa

Để xác định mối tương quan chéo giữa Salesvà Variable cost, cả hai đều có tính thời vụ hàng tháng, tôi có cần khử theo mùa cả hai loạt không?

Câu hỏi thiết yếu là, bạn đang cố gắng giải quyết vấn đề gì?

Nếu bạn có ý định xây dựng một mô hình tốt cho dữ liệu (và sau đó sử dụng mô hình đó để kiểm tra giả thuyết, dự báo hoặc bất cứ điều gì), bạn cần tính đến tất cả các mẫu có. Nếu có tính thời vụ, bạn nên bao gồm các mẫu theo mùa trong mô hình của mình. Nếu bạn không làm như vậy, mô hình có thể không đầy đủ; nó có thể mang lại kết quả kiểm tra giả thuyết không đáng tin cậy, dự báo kém, v.v.

Bây giờ bạn nói rằng bạn muốn xác định (mà tôi sẽ hiểu là ước tính) mối tương quan chéo giữa hai chuỗi. Tôi hiểu rằng mối tương quan chéo chỉ là mối tương quan thường xuyên được ước tính cho độ trễ khác nhau so với khách hàng tiềm năng của hai loạt. Đối với trực giác, nó là đủ để xem xét mối tương quan thường xuyên, mà tôi sẽ làm từ đó. Ý tưởng có thể được thực hiện liên tục từ tương quan thường xuyên đến tương quan chéo.

$i.i.d.$$i.i.d.$

$i.i.d.$$i.i.d.$không phải là thông tin của câu hỏi ban đầu của bạn, "sự tương quan giữa hai loạt là gì?" Ví dụ: hai loạt của bạn có thể có cùng một kiểu mẫu theo mùa và chỉ có các biến thể ngẫu nhiên nhỏ xung quanh nó. Do đó, hai loạt gần như giống nhau và bạn có thể nghĩ rằng mối tương quan của chúng phải tích cực và thực sự cao (gần với sự thống nhất). Nhưng mối tương quan mẫu mà bạn có được sau khi điều chỉnh theo mùa có thể nằm ở giữa [-1,1] do các thành phần nhiễu ngẫu nhiên (ước tính, nhưng cũng nằm dưới) thực sự của hai chuỗi có thể có hoặc không tương quan. Do đó, bạn sẽ nhận được câu trả lời cho một câu hỏi mà bạn không thực sự quan tâm; không có gì đảm bảo rằng câu trả lời sẽ ở bất cứ đâu gần với những gì bạn đang thực sự tìm kiếm.

$i.i.d.$

Nếu bạn đang hồi quy hai chuỗi thời gian (không liên quan) với tính thời vụ, bạn có thể nhận được cái được gọi là tương quan giả . Một ví dụ về điều đó có sẵn ở đây

$y$$X$

Xu hướng commond có thể là một mô hình trôi dạt hoặc theo mùa. Để tránh mối tương quan giả mạo, đây là nền tảng để làm trắng dữ liệu của bạn, loại bỏ ảnh hưởng của xu hướng và tính thời vụ. Sau đó bạn có thể hồi quy trên phần dư.

Một giới thiệu chính thức hơn cho vấn đề có sẵn ở đây

Liên kết đến "giải pháp chính thức hơn" dường như đi đến một trang chung. Bạn có thể cập nhật nó để trỏ đến bài viết, nếu vẫn còn?