بيانات سلسلة زمنية الفرق في الفوركس ستاتا

للأسئلة سريعة البريد الإلكتروني dataprinceton. edu. لا أبتس. ضرورية خلال المشي في ساعات. ملاحظة: مختبر دس مفتوح طالما فايرستون مفتوح، لا المواعيد اللازمة لاستخدام أجهزة الكمبيوتر المختبرية لتحليل الخاصة بك. بيانات سلسلة الوقت في بيانات سلسلة الوقت ستاتا و تسيت لاستخدام ستاتاس وظائف السلسلة الزمنية والتحليلات، يجب عليك أولا التأكد من أن البيانات الخاصة بك هي، في الواقع، سلسلة زمنية. أولا، يجب أن يكون لديك متغير تاريخ في تنسيق تاريخ ستاتا. ثانيا، يجب التأكد من فرز البيانات حسب متغير التاريخ هذا. إذا كان لديك بيانات لوحة، ثم يجب فرز البيانات الخاصة بك حسب متغير التاريخ داخل المتغير الذي يحدد لوحة. وأخيرا، يجب استخدام الأمر تسيت لإخبار ستاتا أن البيانات الخاصة بك هي سلسلة زمنية: المثال الأول يقول ستاتا أن لديك بيانات سلسلة زمنية بسيطة، والثانية تخبر ستاتا أن لديك بيانات لوحة. تنسيق تاريخ ستاتا يخزن ستاتا التواريخ بعدد الأيام المنقضية منذ 1 يناير 1960. هناك طرق مختلفة لإنشاء تواريخ ستاتا المنقضية التي تعتمد على كيفية تمثيل التواريخ في بياناتك. إذا كانت مجموعة البيانات الأصلية تحتوي بالفعل على متغير تاريخ واحد، فاستخدم الدالة ديت () أو أحد أوامر تاريخ السلسلة الأخرى. إذا كان لديك متغيرات منفصلة تخزن أجزاء مختلفة من التاريخ (الشهر واليوم والسنة والربع، وما إلى ذلك)، سوف تحتاج إلى استخدام وظائف متغير التاريخ الجزئي. دالات التاريخ لمتغير تاريخ سلسلة أحرف في بعض الأحيان، سيكون لديك البيانات التواريخ بتنسيق سلسلة. (متغير السلسلة هو مجرد متغير يحتوي على أي شيء آخر غير الأرقام فقط.) يوفر ستاتا طريقة لتحويل هذه التواريخ إلى سلسلة زمنية. أول شيء تحتاج إلى معرفته هو أنه يجب فصل السلسلة بسهولة إلى مكوناتها. وبعبارة أخرى، سلاسل مثل 01feb1990 1 فبراير 1990 020190 مقبولة، ولكن 020190 ليست كذلك. على سبيل المثال، دعنا نقول أن لديك متغير سلسلة سرد مع قيم مثل 01feb1990 وتحتاج إلى تحويله إلى تاريخ سلسلة زمنية يومية: لاحظ أنه في هذه الدالة، كما هو الحال مع الدالات الأخرى لتحويل سلاسل إلى تواريخ سلسلة زمنية، ويشير جزء دمي إلى ترتيب اليوم والشهر والسنة في المتغير. لو كانت القيم مشفرة في 1 فبراير 1990 كنا قد استخدمت مدي بدلا من ذلك. ماذا لو كان التاريخ الأصلي يحتوي فقط على رقمين للسنة ثم سنستخدم: كلما كان لديك سنتين أرقام، ببساطة ضع القرن قبل Y. إذا كان لديك آخر رقمين سنوات مختلطة، مثل 1298 و 1200، استخدام: حيث 2020 هو أكبر عام لديك في مجموعة البيانات الخاصة بك. (سترينغفار، كي) نصف سنوي (سترينغفار، هي) سنويا (سترينغفار، y) ملاحظة: يستخدم ستاتا 10 الأحرف الكبيرة كما دمي في حين أن الإصدار السابق من يستخدم ستاتا حالة أقل، دمي. وظائف التاريخ لمتغيرات التاريخ الجزئي في كثير من الأحيان سيكون لديك متغيرات منفصلة للمكونات المختلفة للتاريخ الذي تحتاجه لوضعها معا قبل أن تتمكن من تعيينها على أنها تواريخ سلسلة زمنية مناسبة. يوفر ستاتا طريقة سهلة للقيام بذلك مع المتغيرات الرقمية. إذا كان لديك متغيرات منفصلة للشهر واليوم والسنة ثم استخدم الدالة مدي () لإنشاء متغير التاريخ المنقضي. وبمجرد الانتهاء من إنشاء متغير التاريخ المنقضي، ربما تريد تنسيقه، كما هو موضح أدناه. استخدم الدالة مدي () لإنشاء متغير تاريخ ستاتا المنقضي عندما تحتوي البيانات الأصلية على متغيرات منفصلة للشهر واليوم والسنة. يجب أن تكون متغيرات الشهر واليوم والسنة رقمية. على سبيل المثال، لنفترض أنك تعمل مع هذه البيانات: تحويل متغير التاريخ المخزن كرقم واحد إذا كان لديك متغير تاريخ حيث يتم تخزين التاريخ كرقم واحد من النموذج ييمد (على سبيل المثال، 20041231 ل 31 ديسمبر 2004) فإن المجموعة التالية من الوظائف تحويلها إلى تاريخ ستاتا المنقضي. (سنة -10000) 100 سنة جين-إنت (100-000000) 100٪ جين ديت إنت (جينيرال -10000-month100)) جيندي ميديت مدي (الشهر واليوم والسنة) فورمات ميديت d تنسيقات تسلسل الوقت الزمني استخدم الأمر فورمات لعرض تواريخ ستاتا المنقضية كتاريخ التقويم. في المثال المذكور أعلاه، يحتوي متغير التاريخ المنقضي، ميديت، على القيم التالية، والتي تمثل عدد الأيام قبل أو بعد 1 يناير 1960. لمزيد من المعلومات راجع دليل مستخدم ستاتا، الفصل 27. تحديد التواريخ غالبا ما نحتاج إلى لا تحصر تحليلا خاصا إلا على الملاحظات التي تقع في تاريخ معين. للقيام بذلك، علينا أن نستخدم شيئا يسمى تاريخ الحرفي. التاريخ الحرفي هو ببساطة وسيلة لإدخال تاريخ في الكلمات ويكون ستاتا تحويله تلقائيا إلى تاريخ المنقضي. كما هو الحال مع d () الحرفي لتحديد تاريخ منتظم، هناك w ()، m ()، q ()، h ()، y () الحرفية للدخول أسبوعيا، شهريا، ربع سنوي، نصف سنوي، و التواريخ السنوية، على التوالي. وفيما يلي بعض الأمثلة: إذا كنت ترغب في تحديد نطاق من التواريخ، يمكنك استخدام الدالة القصدير () و تويثين (): الفرق بين القصدير () و تويثين () هو أن القصدير () يتضمن تواريخ البداية والنهاية، بينما يستثنى منها تويثين (). دائما أدخل تاريخ البداية أولا، وكتابة لهم كما تفعل لأي من د ()، ث ()، الخ وظائف. سلسلة زمنية قوائم متغيرة في كثير من الأحيان في تحليلات السلاسل الزمنية نحن بحاجة إلى تأخر أو تقود قيم متغير من ملاحظة إلى أخرى. إذا كان لدينا العديد من المتغيرات، وهذا يمكن أن يكون مرهقا، وخاصة إذا كنا بحاجة إلى تأخر متغير أكثر من مرة. في ستاتا، يمكننا تحديد المتغيرات التي سيتم تخلفها وعدد المرات دون الحاجة إلى إنشاء متغيرات جديدة، وبالتالي توفير الكثير من مساحة القرص والذاكرة. يجب أن نلاحظ أن الأمر تسيت يجب أن تصدر قبل أي من الحيل في هذا القسم سوف تعمل. أيضا، إذا كنت قد حددت البيانات الخاصة بك كبيانات لوحة، ستاتا تلقائيا إعادة بدء الحسابات كما يأتي إلى بداية لوحة لذلك لا داعي للقلق حول القيم من لوحة واحدة يتم نقلها إلى أخرى. L. varname و F. varname إذا كنت بحاجة إلى تأخر أو قيادة متغير لتحليل، يمكنك القيام بذلك باستخدام L. varname (إلى تأخر) و F. varname (لقيادة). كلا العملين بنفس الطريقة، كذلك تظهر فقط بعض الأمثلة مع L. varname. دعونا نقول كنت تريد أن تتراجع هذا الدخل سنوات على دخل السنوات الماضية: من شأنه أن يحقق هذا. وتقول "إل" إن "ستاتا" تتخلف عن الدخل بفترة زمنية واحدة. إذا كنت ترغب في تأخر الدخل لأكثر من فترة زمنية واحدة، يمكنك ببساطة تغيير L. إلى شيء مثل L2. أو L3. أن يتخلف عن طريق 2 و 3 فترات زمنية، على التوالي. الأمران التاليان سوف ينتجان نفس النتائج: اختصار آخر مفيد هو D. varname، والذي يأخذ الفرق في الدخل في الوقت 1 والدخل في الوقت 2. على سبيل المثال، يتيح يقول الشخص الذي حصل 20 أمس و 30 اليوم. الاستقرارية الإحصائية: سلسلة زمنية ثابتة هي واحدة من الخصائص الإحصائية مثل المتوسط، التباين، الترابط الذاتي، وما إلى ذلك كلها ثابتة على مر الزمن. وتستند معظم أساليب التنبؤ الإحصائي إلى افتراض أن السلاسل الزمنية يمكن أن تقدم تقريبا ثابتة (أي كوتستاتيوناريزدكوت) من خلال استخدام التحولات الرياضية. ومن السهل نسبيا التنبؤ بسلسلة مستقيمة: تتوقع ببساطة أن خصائصها الإحصائية ستكون هي نفسها في المستقبل كما كانت في الماضي (أذكر توقعاتنا الشهيرة للتنبؤات). ويمكن بعد ذلك التنبؤ بالسلسلة المستقرة أن يتم نقلها إلى كوتونترانسفورمد، عن طريق عكس أي تحولات رياضية كانت تستخدم سابقا، للحصول على تنبؤات لسلسلة الأصلية. (وعادة ما تؤخذ التفاصيل من قبل البرنامج الخاص بك الرعاية.) وبالتالي، العثور على تسلسل التحولات اللازمة لاستقرار سلسلة زمنية غالبا ما توفر أدلة هامة في البحث عن نموذج التنبؤ المناسب. إن تجميع سلسلة زمنية من خلال الاختلاف (عند الحاجة) هو جزء مهم من عملية تركيب نموذج أريما. كما نوقشت في صفحات أريما من هذه الملاحظات. وهناك سبب آخر لمحاولة تجميع السلاسل الزمنية هو أن تكون قادرة على الحصول على إحصاءات ذات مغزى للعينة مثل الوسائل والتباينات والارتباطات مع المتغيرات الأخرى. وهذه الإحصاءات مفيدة كصفات للسلوك في المستقبل إلا إذا كانت السلسلة ثابتة. على سبيل المثال، إذا كانت السلسلة تتزايد باستمرار مع مرور الوقت، فإن متوسط ​​العينة والتباين سوف تنمو مع حجم العينة، وأنها سوف تقلل دائما من المتوسط ​​والتباين في الفترات المستقبلية. وإذا لم يكن متوسط ​​وتغير السلسلة محددين بشكل جيد، فإنهما لا يرتبطان بالمتغيرات الأخرى. لهذا السبب يجب أن تكون حذرا حول محاولة استقراء نماذج الانحدار تركيبها على البيانات غير المستقرة. معظم سلاسل الأعمال والوقت الاقتصادي بعيدة كل البعد عن ثابتة عند التعبير عنها في وحدات القياس الأصلية، وحتى بعد الانكماش أو التعديل الموسمية فإنها عادة ما لا تزال تظهر الاتجاهات والدورات والمشي العشوائي، وغير ذلك من السلوك غير ثابت. إذا كانت السلسلة لديها اتجاه مستقر على المدى الطويل وتميل إلى العودة إلى خط الاتجاه في أعقاب الاضطراب، قد يكون من الممكن استقراريته عن طريق التراجع (على سبيل المثال عن طريق تركيب خط الاتجاه وطرحه قبل تركيب نموذج، أو بإدراج مؤشر الوقت كمتغير مستقل في نموذج الانحدار أو نموذج أريما)، ربما بالتزامن مع قطع الأشجار أو الانقسام. ويقال مثل هذه السلسلة لتكون الاتجاه ثابتة. ومع ذلك، حتى في بعض الأحيان حتى دي-ترندينغ ليست كافية لجعل سلسلة ثابتة، وفي هذه الحالة قد يكون من الضروري تحويلها إلى سلسلة من فترة إلى فترة أندور من موسم إلى آخر الاختلافات. إذا كان المتوسط ​​والتباين و أوتوكوريلاتيونس من السلسلة الأصلية ليست ثابتة في الوقت المناسب، حتى بعد ديترندينغ، وربما الإحصاءات من التغييرات في سلسلة بين فترات أو بين مواسم تكون ثابتة. ويقال أن هذه السلسلة هي الفرق ثابتة. (في بعض الأحيان يمكن أن يكون من الصعب معرفة الفرق بين السلسلة التي هي الاتجاه ثابتة واحدة التي هي الفرق ثابتة، ويمكن استخدام ما يسمى اختبار الجذر وحدة للحصول على إجابة أكثر تحديدا، وسوف نعود إلى هذا الموضوع في وقت لاحق في الدورة.) (العودة إلى أعلى الصفحة.) والفرق الأول من سلسلة زمنية هو سلسلة من التغييرات من فترة واحدة إلى أخرى. وإذا كانت Y t تشير إلى قيمة السلسلة الزمنية Y في الفترة t، فإن الفارق الأول لل Y في الفترة t يساوي Y t - Y t-1. في ستاتغرافيكس، يعبر عن الفرق الأول من Y كما ديف (Y)، وفي ريجرسيت هو YDIFF1. إذا كان الاختلاف الأول لل Y ثابتا وأيضا عشوائيا تماما (غير متصل تلقائيا)، فإن Y يتم وصفه بنموذج المشي العشوائي: كل قيمة هي خطوة عشوائية بعيدا عن القيمة السابقة. إذا كان الاختلاف الأول لل Y ثابتا ولكن ليس عشوائيا تماما - أي. إذا كانت قيمته في الفترة t مرتبطة تلقائيا بقيمته في الفترات السابقة - فقد يكون من المناسب وضع نموذج تنبؤ أكثر تعقيدا مثل التمهيد الأسي أو أريما. (ملاحظة: إذا كان ديف (Y) ثابتا وعشوائيا، فإن ذلك يشير إلى أن نموذج المشي العشوائي مناسب للسلسلة الأصلية Y، وليس أن يتم تركيب نموذج المشي العشوائي على ديف (Y) هو مكافئ منطقي لتركيب نموذج متوسط ​​(ثابت فقط) إلى ديف (Y).) هنا رسم بياني للفرق الأول من أوتوزاليكبي، سلسلة مبيعات السيارات المنفصلة. لاحظ أنه يبدو الآن ثابتا تقريبا (على الأقل المتوسط ​​والتباين ثابتان أو أقل) ولكنه ليس عشوائيا على الإطلاق (يبقى نمط موسمي قوي): يوضح جدول البيانات التالي كيفية حساب الفرق الأول للفروقات بيانات مبيعات السيارات: