آموزش آمار آموزش تجزیه و تحلیل آماری آموزش تجزیه و تحلیل سریهای زمانی .
.
 

سریهای زمانی، یکی از مهمترین داده های آماری مورد استفاده در تجزیه و تحلیل تجربی هستند. در تحقیقات همواره چنین فرض می کنیم که سری زمانی مانا است و اگر این حالت وجود نداشته باشد، آزمون های آماری متعارفی که اساس آن ها بر پایه t، F، خی دو و آزمون های مشابه بنا شده، مورد تردید قرار می گیرد. در رگرسیون هایی که داده های آن از نوع سری زمانی است، اگر متغیرهای سری زمانی مانا نباشند، ممکن است مشکلی به نام رگرسیون کاذب یا رگرسیون ساختگی به وجود آید. در این گونه رگرسیون ها، در عین حالی که هیچ رابطه ی با مفهومی بین متغیرها وجود ندارد ولی ضریب تعیین R2 بزرگ و مقدار آماره t ضرایب نیز بزرگ به دست می آید و این ممکن است باعث استنباط های غلط در مورد میزان ارتباط بین متغیرها شود. بنابراین لازم است همواره مواظب عواقب استفاده از داده های سری زمانی نامانا و امکان بروز رگرسیون کاذب باشیم.

از طرفی اگر در یک مدل، متغیرها نامانا شدند، به جای سطح، اولین تفاضل ( یا تفاضل مراتب بالاتر) آن ها می تواند مانا بوده و از ان ها در مدل استفاده کنیم و مدل را بر اساس متغیرهای جدید تخمین بزنیم؛ در این حالت مشکل رگرسیون کاذب بر طرف می شود. حال این سوال مطرح می شود که آیا مشکل دیگری وجود ندارد. هنگامی که از تفاضل ها در برآورد ضرایب یک الگو استفاده می کنیم، اطلاعات ارزشمندی را در رابطه با سطح متغیرها از دست می دهیم. هر چند شرط مانایی متغیرهای سری زمانی یک رابطه ی رگرسیونی را می توان از طریق تفاضل گیری تامین کرد ولی با تفاضل گیری مرتبه اول ( یا مراتب بالاتر) رابطه ی بلند مدت بین سری های زمانی را از دست می دهیم. ( این رابطه ی بلند مدت بین دو سری زمانی ناشی از سطوح دو متغیر است نه تفاضل مرتبه اول آنها). اینجاست که هم انباشتگی به کمک ما می آید تا بتوان رگرسیون را بدون هراس از کاذب بودن بر اساس سطح متغیرهای سری زمانی برآورد کرد.

مجله اینترنتی آموزش آمار و احتمال
http://amar.ibep.ir