Python တွင် cross correlation ကို တွက်နည်း

Cross-correlation သည် အချိန်စီးရီးတစ်ခုနှင့် အခြားအချိန်စီးရီးများ၏ နောက်ကျနေသောဗားရှင်းကြားတွင် ဆင်တူမှုအတိုင်းအတာကို တိုင်းတာသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။

ဤဆက်စပ်ဆက်နွယ်မှုအမျိုးအစားသည် အချိန်စီးရီးတစ်ခုရှိ တန်ဖိုးများသည် အခြားအချိန်စီးရီးများတွင် အနာဂတ်တန်ဖိုးများကို ခန့်မှန်းနိုင်သည်ရှိမရှိကို ပြောပြနိုင်သောကြောင့် တွက်ချက်ရန် အသုံးဝင်ပါသည်။ တစ်နည်းဆိုရသော်၊ တစ်ကြိမ်စီးရီးသည် အခြားအချိန်စီးရီးများအတွက် ဦးဆောင်ညွှန်ပြမှုဟုတ်မဟုတ် ကျွန်ုပ်တို့အား ပြောပြနိုင်သည်။

ဤဆက်စပ်ဆက်နွယ်မှုအမျိုးအစားကို နယ်ပယ်များစွာတွင်၊ အပါအဝင်၊

စီးပွားရေးလုပ်ငန်းများ- စျေးကွက်ရှာဖွေရေးအသုံးစရိတ်သည် အနာဂတ်လုပ်ငန်းဝင်ငွေ၏ ဦးဆောင်ညွှန်ပြချက်တစ်ခုအဖြစ် ယူဆလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ ကုမ္ပဏီတစ်ခုသည် လေးပုံတစ်ပုံတွင် မားကတ်တင်းအတွက် ပုံမှန်မဟုတ်သော ငွေကြေးပမာဏကို သုံးစွဲပါက၊ စုစုပေါင်းဝင်ငွေသည် နောက်ပိုင်းတွင် လေးပုံတစ်ပုံ x မြင့်သင့်သည်။

စီးပွားရေး- Consumer Confidence Index (CCI) သည် နိုင်ငံတစ်နိုင်ငံ၏ ပြည်တွင်းအသားတင်ထုတ်ကုန် (GDP) ၏ ဦးဆောင်ညွှန်ပြချက်တစ်ခုအဖြစ် ယူဆပါသည်။ ဥပမာအားဖြင့်၊ ပေးထားသောလတွင် CCI မြင့်မားနေပါက၊ GDP သည် x လအကြာတွင် ပိုမိုမြင့်မားဖွယ်ရှိသည်။

အောက်ပါဥပမာသည် Python ရှိ အချိန်စီးရီးနှစ်ခုကြား အပြန်အလှန်ဆက်စပ်မှုကို တွက်ချက်နည်းကို ပြသထားသည်။

ဥပမာ- Python တွင် Cross Correlation ကို တွက်ချက်နည်း

ကုမ္ပဏီတစ်ခုအတွက် စုစုပေါင်းစျေးကွက်ရှာဖွေရေးအသုံးစရိတ် (ထောင်ပေါင်းများစွာ) နှင့် 12 လဆက်တိုက် စုစုပေါင်းဝင်ငွေ (ထောင်ပေါင်းများစွာ) ကိုပြသသည့် Python တွင် အောက်ပါအချိန်စီးရီးများရှိသည်ဆိုကြပါစို့။

 import numpy as np

#define data 
marketing = n.p. array ([3, 4, 5, 5, 7, 9, 13, 15, 12, 10, 8, 8])
income = np. array ([21, 19, 22, 24, 25, 29, 30, 34, 37, 40, 35, 30])

statsmodels ပက်ကေ့ခ်ျ မှ ccf() လုပ်ဆောင်ချက်ကို အသုံးပြု၍ အချိန်စီးရီးနှစ်ခုကြား ပြတ်တောက်မှုတစ်ခုစီအတွက် အပြန်အလှန်ဆက်စပ်မှုကို ကျွန်ုပ်တို့ တွက်ချက်နိုင်သည်-

 import statsmodels. api as sm

#calculate cross correlation
sm. tsa . stattools . ccf (marketing, revenue, adjusted= False )

array([ 0.77109358, 0.46238654, 0.19352232, -0.06066296, -0.28159595,
       -0.44531104, -0.49159463, -0.35783655, -0.15697476, -0.03430078,
        0.01587722, 0.0070399 ])

ဤအထွက်ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုရမည်ကို ဤအရာဖြစ်သည်-

• lag 0 တွင် အပြန်အလှန်ဆက်စပ်မှုမှာ 0.771 ဖြစ်သည်။
• lag 1 တွင် အပြန်အလှန်ဆက်စပ်မှုမှာ 0.462 ဖြစ်သည်။
• lag 2 တွင် အပြန်အလှန်ဆက်စပ်မှုမှာ 0.194 ဖြစ်သည်။
• lag 3 တွင် အပြန်အလှန်ဆက်စပ်မှုမှာ -0.061 ဖြစ်သည်။

နောက် … ပြီးတော့။

နှေးကွေးမှု အရေအတွက် တိုးလာသည်နှင့်အမျှ အချိန်စီးရီးနှစ်ခုကြား ဆက်စပ်မှု လျော့နည်းသွားသည်ကို သတိပြုပါ။ ၎င်းသည် ပေးထားသောလတစ်ခုတွင် စျေးကွက်ရှာဖွေရေးအသုံးစရိတ်သည် တစ်လ သို့မဟုတ် နှစ်လအကြာတွင် ဝင်ငွေကို ခန့်မှန်းနိုင်သော်လည်း နှစ်လထက်ကျော်လွန်သော ဝင်ငွေကို ခန့်မှန်းခြင်းမဟုတ်ပါ။

၎င်းသည် အလိုလိုသိနားလည်သဘောပေါက်စေသည်- ကျွန်ုပ်တို့သည် လာမည့်နှစ်လအတွင်း ဝင်ငွေတိုးလာမှုကို ခန့်မှန်းနိုင်စေရန်အတွက် ပေးထားသောလတွင် မားကတ်တင်းအသုံးစရိတ်ကို မျှော်လင့်ထားသော်လည်း ယခုမှစ၍ လပေါင်းများစွာ ဝင်ငွေတိုးလာရန် မလိုအပ်ပါ။

ထပ်လောင်းအရင်းအမြစ်များ

Python တွင် Autocorrelation တွက်ချက်နည်း
Python တွင် တစ်စိတ်တစ်ပိုင်းဆက်စပ်မှုကို တွက်ချက်နည်း
Python တွင် point-biserial ဆက်စပ်မှုကို တွက်ချက်နည်း