<\/p>\n
La correlazione incrociata<\/strong> \u00e8 un modo per misurare il grado di somiglianza tra una serie temporale e una versione ritardata di un’altra serie temporale.<\/span><\/p>\n Questo tipo di correlazione \u00e8 utile da calcolare perch\u00e9 pu\u00f2 dirci se i valori in una serie temporale sono predittivi dei valori futuri in un’altra serie temporale.<\/span> In altre parole, pu\u00f2 dirci se una serie temporale \u00e8 un indicatore anticipatore per un\u2019altra serie temporale.<\/span><\/p>\n Questo tipo di correlazione viene utilizzato in molti campi diversi, tra cui:<\/span><\/p>\n Imprese:<\/strong> le spese di marketing sono spesso considerate un indicatore importante delle future entrate aziendali. Ad esempio, se un’azienda spende una somma di denaro insolitamente elevata per il marketing in un trimestre, i ricavi totali dovrebbero essere elevati x<\/em> trimestri successivi.<\/span><\/p>\n Economia:<\/strong> l’indice della fiducia dei consumatori (CCI) \u00e8 considerato un indicatore anticipatore del prodotto interno lordo (PIL) di un paese. Ad esempio, se il CCI \u00e8 elevato in un dato mese, \u00e8 probabile che il PIL sar\u00e0 pi\u00f9 alto x<\/em> mesi dopo.<\/span><\/p>\n L’esempio seguente mostra come calcolare la correlazione incrociata tra due serie temporali in Python.<\/span><\/p>\n Supponiamo di avere la seguente serie temporale in Python che mostra la spesa totale di marketing (in migliaia) per una determinata azienda e le entrate totali (in migliaia) per 12 mesi consecutivi:<\/span><\/p>\n Possiamo calcolare la correlazione incrociata per ogni ritardo tra le due serie temporali utilizzando la funzione ccf()<\/b> dal pacchetto statsmodels<\/a> come segue:<\/span><\/p>\n Ecco come interpretare questo output:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Si noti che la correlazione tra le due serie temporali diventa sempre meno positiva all\u2019aumentare del numero di ritardi. Ci\u00f2 ci dice che la spesa di marketing in un dato mese \u00e8 abbastanza predittiva delle entrate uno o due mesi dopo, ma non \u00e8 predittiva delle entrate oltre i due mesi.<\/span><\/p>\n Ci\u00f2 ha un senso intuitivo: ci aspetteremmo che un\u2019elevata spesa di marketing in un dato mese sia predittiva di un aumento delle entrate nei prossimi due mesi, ma non necessariamente un aumento delle entrate tra diversi mesi.<\/span><\/p>\n Come calcolare l’autocorrelazione in Python<\/a> La correlazione incrociata \u00e8 un modo per misurare il grado di somiglianza tra una serie temporale e una versione ritardata di un’altra serie temporale. Questo tipo di correlazione \u00e8 utile da calcolare perch\u00e9 pu\u00f2 dirci se i valori in una serie temporale sono predittivi dei valori futuri in un’altra serie temporale. In altre parole, pu\u00f2 […]<\/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 Esempio: come calcolare la correlazione incrociata 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
Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare la correlazione parziale in Python<\/a>
Come calcolare la correlazione punto-biseriale in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"