<\/p>\n
Kreuzkorrelation<\/strong> ist eine M\u00f6glichkeit, den Grad der \u00c4hnlichkeit zwischen einer Zeitreihe und einer verz\u00f6gerten Version einer anderen Zeitreihe zu messen.<\/span><\/p>\n Diese Art der Korrelation ist f\u00fcr die Berechnung n\u00fctzlich, da sie uns sagen kann, ob Werte in einer Zeitreihe zuk\u00fcnftige Werte in einer anderen Zeitreihe vorhersagen.<\/span> Mit anderen Worten: Es kann uns sagen, ob eine Zeitreihe ein Fr\u00fchindikator f\u00fcr eine andere Zeitreihe ist.<\/span><\/p>\n Diese Art der Korrelation wird in vielen verschiedenen Bereichen verwendet, darunter:<\/span><\/p>\n Unternehmen:<\/strong> Marketingausgaben werden oft als Fr\u00fchindikator f\u00fcr zuk\u00fcnftige Gesch\u00e4ftseinnahmen angesehen. Wenn ein Unternehmen beispielsweise in einem Quartal ungew\u00f6hnlich viel Geld f\u00fcr Marketing ausgibt, sollte der Gesamtumsatz x<\/em> Quartale sp\u00e4ter hoch sein.<\/span><\/p>\n Wirtschaft:<\/strong> Der Verbrauchervertrauensindex (CCI) gilt als Fr\u00fchindikator f\u00fcr das Bruttoinlandsprodukt (BIP) eines Landes. Wenn beispielsweise der CCI in einem bestimmten Monat hoch ist, ist das BIP wahrscheinlich x<\/em> Monate sp\u00e4ter h\u00f6her.<\/span><\/p>\n Das folgende Beispiel zeigt, wie die Kreuzkorrelation zwischen zwei Zeitreihen in Python berechnet wird.<\/span><\/p>\n Nehmen wir an, wir haben die folgende Zeitreihe in Python, die die gesamten Marketingausgaben (in Tausend) f\u00fcr ein bestimmtes Unternehmen sowie den Gesamtumsatz (in Tausend) f\u00fcr 12 aufeinanderfolgende Monate zeigt:<\/span><\/p>\n Wir k\u00f6nnen die Kreuzkorrelation f\u00fcr jede Verz\u00f6gerung zwischen den beiden Zeitreihen mithilfe der Funktion ccf()<\/b> aus dem Paket statsmodels<\/a> wie folgt berechnen:<\/span><\/p>\n So interpretieren Sie diese Ausgabe:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Beachten Sie, dass die Korrelation zwischen den beiden Zeitreihen mit zunehmender Anzahl von Verz\u00f6gerungen immer weniger positiv wird. Dies zeigt uns, dass die Marketingausgaben in einem bestimmten Monat einen guten R\u00fcckschluss auf den Umsatz ein oder zwei Monate sp\u00e4ter haben, nicht jedoch auf den Umsatz nach zwei Monaten.<\/span><\/p>\n Dies macht intuitiv Sinn: Wir gehen davon aus, dass hohe Marketingausgaben in einem bestimmten Monat einen Umsatzanstieg in den n\u00e4chsten zwei Monaten vorhersagen, aber nicht unbedingt einen Umsatzanstieg in mehreren Monaten.<\/span><\/p>\n So berechnen Sie die Autokorrelation in Python<\/a> Kreuzkorrelation ist eine M\u00f6glichkeit, den Grad der \u00c4hnlichkeit zwischen einer Zeitreihe und einer verz\u00f6gerten Version einer anderen Zeitreihe zu messen. Diese Art der Korrelation ist f\u00fcr die Berechnung n\u00fctzlich, da sie uns sagen kann, ob Werte in einer Zeitreihe zuk\u00fcnftige Werte in einer anderen Zeitreihe vorhersagen. Mit anderen Worten: Es kann uns sagen, ob eine […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Beispiel: So berechnen Sie die Kreuzkorrelation in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#define data<\/span> \nmarketing = n.p. array<\/span> ([3, 4, 5, 5, 7, 9, 13, 15, 12, 10, 8, 8])\nincome = np. array<\/span> ([21, 19, 22, 24, 25, 29, 30, 34, 37, 40, 35, 30])<\/strong><\/pre>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#calculate cross correlation\n<\/span>sm. tsa<\/span> . stattools<\/span> . ccf<\/span> (marketing, revenue, adjusted= False<\/span> )\n\narray([ 0.77109358, 0.46238654, 0.19352232, -0.06066296, -0.28159595,\n -0.44531104, -0.49159463, -0.35783655, -0.15697476, -0.03430078,\n 0.01587722, 0.0070399 ])<\/strong><\/span><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie die partielle Korrelation in Python<\/a>
So berechnen Sie die Punkt-Biserial-Korrelation in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"