<\/p>\n
Korelacja krzy\u017cowa<\/strong> to spos\u00f3b pomiaru stopnia podobie\u0144stwa mi\u0119dzy szeregiem czasowym a op\u00f3\u017anion\u0105 wersj\u0105 innego szeregu czasowego.<\/span><\/p>\n Ten typ korelacji jest przydatny do oblicze\u0144, poniewa\u017c mo\u017ce nam powiedzie\u0107, czy warto\u015bci w jednym szeregu czasowym przewiduj\u0105 przysz\u0142e warto\u015bci w innym szeregu czasowym.<\/span> Innymi s\u0142owy, mo\u017ce nam powiedzie\u0107, czy jeden szereg czasowy jest wiod\u0105cym wska\u017anikiem dla innego szeregu czasowego.<\/span><\/p>\n Ten typ korelacji jest stosowany w wielu r\u00f3\u017cnych dziedzinach, w tym:<\/span><\/p>\n Firmy:<\/strong> Wydatki na marketing s\u0105 cz\u0119sto uwa\u017cane za wiod\u0105cy wska\u017anik przysz\u0142ych przychod\u00f3w firmy. Na przyk\u0142ad, je\u015bli firma wydaje niezwykle du\u017c\u0105 kwot\u0119 na marketing w jednym kwartale, w\u00f3wczas ca\u0142kowite przychody powinny by\u0107 wysokie x<\/em> kwarta\u0142\u00f3w p\u00f3\u017aniej.<\/span><\/p>\n Gospodarka:<\/strong> Wska\u017anik zaufania konsument\u00f3w (CCI) jest uwa\u017cany za wiod\u0105cy wska\u017anik produktu krajowego brutto (PKB) danego kraju. Na przyk\u0142ad, je\u015bli CCI jest wysoki w danym miesi\u0105cu, PKB prawdopodobnie b\u0119dzie wy\u017cszy x<\/em> miesi\u0119cy p\u00f3\u017aniej.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak obliczy\u0107 korelacj\u0119 krzy\u017cow\u0105 mi\u0119dzy dwoma szeregami czasowymi w j\u0119zyku Python.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy w Pythonie nast\u0119puj\u0105ce szeregi czasowe, kt\u00f3re pokazuj\u0105 ca\u0142kowite wydatki marketingowe (w tysi\u0105cach) dla okre\u015blonej firmy, a tak\u017ce ca\u0142kowity przych\u00f3d (w tysi\u0105cach) przez 12 kolejnych miesi\u0119cy:<\/span><\/p>\n Korelacj\u0119 krzy\u017cow\u0105 dla ka\u017cdego op\u00f3\u017anienia pomi\u0119dzy dwoma szeregami czasowymi mo\u017cemy obliczy\u0107 za pomoc\u0105 funkcji ccf()<\/b> z pakietu statsmodels<\/a> w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Oto jak zinterpretowa\u0107 ten wynik:<\/span><\/p>\n I tak dalej.<\/span><\/p>\n Nale\u017cy zauwa\u017cy\u0107, \u017ce korelacja mi\u0119dzy tymi dwoma szeregami czasowymi staje si\u0119 coraz mniej pozytywna w miar\u0119 wzrostu liczby op\u00f3\u017anie\u0144. To m\u00f3wi nam, \u017ce wydatki marketingowe w danym miesi\u0105cu do\u015b\u0107 dobrze prognozuj\u0105 przychody miesi\u0105c lub dwa p\u00f3\u017aniej, ale nie pozwalaj\u0105 przewidzie\u0107 przychod\u00f3w po up\u0142ywie dw\u00f3ch miesi\u0119cy.<\/span><\/p>\n Ma to intuicyjny sens: spodziewaliby\u015bmy si\u0119, \u017ce wysokie wydatki marketingowe w danym miesi\u0105cu b\u0119d\u0105 przewidywa\u0107 wzrost przychod\u00f3w w ci\u0105gu najbli\u017cszych dw\u00f3ch miesi\u0119cy, ale niekoniecznie wzrost przychod\u00f3w za kilka miesi\u0119cy.<\/span><\/p>\n Jak obliczy\u0107 autokorelacj\u0119 w Pythonie<\/a> Korelacja krzy\u017cowa to spos\u00f3b pomiaru stopnia podobie\u0144stwa mi\u0119dzy szeregiem czasowym a op\u00f3\u017anion\u0105 wersj\u0105 innego szeregu czasowego. Ten typ korelacji jest przydatny do oblicze\u0144, poniewa\u017c mo\u017ce nam powiedzie\u0107, czy warto\u015bci w jednym szeregu czasowym przewiduj\u0105 przysz\u0142e warto\u015bci w innym szeregu czasowym. Innymi s\u0142owy, mo\u017ce nam powiedzie\u0107, czy jeden szereg czasowy jest wiod\u0105cym wska\u017anikiem dla innego szeregu […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1556","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Jak obliczy\u0107 korelacj\u0119 krzy\u017cow\u0105 w Pythonie<\/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
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 cz\u0119\u015bciow\u0105 korelacj\u0119 w Pythonie<\/a>
Jak obliczy\u0107 korelacj\u0119 punktowo-biseryjn\u0105 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"