ဒေတာကို ဘယ်လို တွန်းလှန်နိုင်သလဲ- ဥပမာများဖြင့်

“ Detrending” time series data ဆိုသည်မှာ ဒေတာရှိ နောက်ခံလမ်းကြောင်းကို ဖယ်ရှားခြင်း ဖြစ်သည်။ ဤအရာကို ကျွန်ုပ်တို့ပြုလုပ်လိုရခြင်း၏ အဓိကအကြောင်းရင်းမှာ ရာသီအလိုက် သို့မဟုတ် စက်ဝန်းဖြစ်သော ဒေတာများတွင် အရင်းခံလမ်းကြောင်းများကို ပိုမိုလွယ်ကူစွာ မြင်ယောင်နိုင်ရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကုမ္ပဏီတစ်ခု၏ စုစုပေါင်းရောင်းအားကို ကိုယ်စားပြုသည့် အောက်ပါ အချိန်စီးရီးဒေတာကို ထည့်သွင်းစဉ်းစားပါ 20 ကာလဆက်တိုက်

ထင်ရှားသည်မှာ အချိန်နှင့်အမျှ အရောင်းများ တိုးလာသော်လည်း အချိန်ကြာလာသည်နှင့်အမျှ သေးငယ်သော “ တောင်တန်းများ” မှ သက်သေပြထားသည့်အတိုင်း ဒေတာထဲတွင် စက်ဝိုင်း သို့မဟုတ် ရာသီအလိုက် လမ်းကြောင်းလည်း ရှိနေပုံပေါ်ပါသည်။

ဤစက်ဝန်းလမ်းကြောင်းကို ပိုမိုကောင်းမွန်စွာမြင်နိုင်ရန်၊ ကျွန်ုပ်တို့သည် ဒေတာကို မကျေမနပ်ဖြစ်နိုင်ပါသည်။ ဤကိစ္စတွင်၊ ၎င်းတွင် ရလဒ်ဒေတာသည် စက်ဘီးစီးလမ်းကြောင်းကိုသာ ကိုယ်စားပြုနိုင်စေရန် အချိန်နှင့်အမျှ အလုံးစုံအထက်သို့ လမ်းကြောင်းကို ဖယ်ရှားခြင်းတွင် ပါဝင်မည်ဖြစ်သည်။

အချိန်စီးရီးဒေတာကို မကျေမနပ်ဖြစ်ရန် အသုံးပြုလေ့ရှိသော နည်းလမ်းနှစ်ခုရှိသည်။

1. ကွဲပြားခြင်းဖြင့် စိတ်သဘောထား၊

2. မော်ဒယ် အံဝင်ခွင်ကျဖြင့် ပြိုကွဲခြင်း။

ဤသင်ခန်းစာသည် နည်းလမ်းတစ်ခုစီ၏ အတိုချုံးရှင်းလင်းချက်ကို ပေးသည်။

နည်းလမ်း 1- ကွဲပြားခြင်းဖြင့် အနားယူခြင်း။

အချိန်စီးရီးဒေတာကို တားဆီးရန် နည်းလမ်းတစ်ခုမှာ စူးစမ်းမှုတစ်ခုစီသည် ၎င်းကိုယ်တိုင်နှင့် ယခင်ကြည့်ရှုမှုကြား ကွာခြားချက်ကို ကိုယ်စားပြုသည့် ဒေတာအစုအသစ်တစ်ခုကို ဖန်တီးရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ အောက်ပါပုံသည် ဒေတာစီးရီးတစ်ခုအား ဆုတ်ယုတ်စေရန် ကွဲပြားခြင်းကို အသုံးပြုနည်းကို ပြသထားသည်။

detreded time series data ၏ ပထမတန်ဖိုးကိုရရန်၊ ကျွန်ုပ်တို့သည် 13 – 8 = 5 ကို တွက်ချက်ပါသည်။ ထို့နောက် နောက်တန်ဖိုးတစ်ခုရရန်၊ ကျွန်ုပ်တို့သည် 18-13 = 5 ၊ အစရှိသည်တို့ကို တွက်ချက်ပါသည်။

အောက်ပါဇယားသည် မူရင်းအချိန်စီးရီးဒေတာကို ပြသသည်-

ပြီးတော့ ဒီဇယားက လမ်းကြောင်းမရှိသော ဒေတာကို ပြသည်-

အလုံးစုံ အထက်လမ်းကြောင်းကို ဖယ်ရှားလိုက်သောကြောင့် ဤဇယားရှိ အချိန်စီးရီးဒေတာတွင် ရာသီအလိုက် လမ်းကြောင်းကို ကြည့်ရန် မည်မျှလွယ်ကူသည်ကို သတိပြုပါ။

နည်းလမ်း 2- မော်ဒယ် အံဝင်ခွင်ကျဖြင့် ပြိုကွဲခြင်း။

အချိန်စီးရီးဒေတာကို တားဆီးရန် အခြားနည်းလမ်းမှာ ဒေတာနှင့် ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျဖြစ်စေပြီး စောင့်ကြည့်ထားသော တန်ဖိုးများနှင့် မော်ဒယ်၏ ခန့်မှန်းတန်ဖိုးများအကြား ကွာခြားချက်ကို တွက်ချက်ရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့တွင် တူညီသောဒေတာအစုံရှိသည်ဆိုပါစို့။

ကျွန်ုပ်တို့သည် ဒေတာနှင့် ရိုးရှင်းသော မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံကို အံဝင်ခွင်ကျလုပ်ပါက၊ ဒေတာအတွဲရှိ ကြည့်ရှုမှု တစ်ခုစီအတွက် ခန့်မှန်းတန်ဖိုးတစ်ခုကို ကျွန်ုပ်တို့ ရရှိနိုင်ပါသည်။

ထို့နောက် လေ့လာမှုတစ်ခုစီအတွက် အမှန်တကယ်တန်ဖိုးနှင့် ခန့်မှန်းတန်ဖိုးကြား ခြားနားချက်ကို ကျွန်ုပ်တို့ ရှာဖွေနိုင်သည်။ ဤကွာခြားချက်များသည် လျှို့ဝှက်ထားသော အချက်အလက်များကို ကိုယ်စားပြုပါသည်။

ခေတ်ရေစီးကြောင်းမရှိဘဲ ဒေတာဂရပ်ဖစ်တစ်ခုကို ဖန်တီးပါက၊ ဒေတာ၏ ရာသီအလိုက် သို့မဟုတ် စက်ဝန်းလမ်းကြောင်းကို ပိုမိုလွယ်ကူစွာ မြင်ယောင်နိုင်သည်-

ဤဥပမာတွင် linear regression ကိုအသုံးပြုထားသည်ကို သတိပြုပါ၊ သို့သော် data တွင် exponential upward သို့မဟုတ် down trend ပိုများနေပါက exponential regression ကဲ့သို့ပိုမိုရှုပ်ထွေးသောနည်းလမ်းကိုသုံးနိုင်သည်။