<\/p>\n
\u00c7apraz korelasyon<\/strong> , bir zaman serisi ile ba\u015fka bir zaman serisinin gecikmeli versiyonu aras\u0131ndaki benzerlik derecesini \u00f6l\u00e7menin bir yoludur.<\/span><\/p>\n Bu t\u00fcr bir korelasyonun hesaplanmas\u0131 faydal\u0131d\u0131r \u00e7\u00fcnk\u00fc bize bir zaman serisindeki de\u011ferlerin ba\u015fka bir zaman serisindeki gelecekteki de\u011ferleri tahmin edip etmedi\u011fini s\u00f6yleyebilir.<\/span> Ba\u015fka bir deyi\u015fle, bir zaman serisinin ba\u015fka bir zaman serisi i\u00e7in \u00f6nc\u00fc g\u00f6sterge olup olmad\u0131\u011f\u0131n\u0131 bize s\u00f6yleyebilir.<\/span><\/p>\n Bu t\u00fcr bir korelasyon a\u015fa\u011f\u0131dakiler de dahil olmak \u00fczere bir\u00e7ok farkl\u0131 alanda kullan\u0131l\u0131r:<\/span><\/p>\n \u0130\u015fletmeler:<\/strong> Pazarlama harcamalar\u0131 genellikle gelecekteki i\u015fletme gelirinin \u00f6nc\u00fc g\u00f6stergesi olarak kabul edilir. \u00d6rne\u011fin, bir \u015firket bir \u00e7eyrekte pazarlamaya al\u0131\u015f\u0131lmad\u0131k derecede y\u00fcksek miktarda para harc\u0131yorsa, o zaman toplam gelirin \u00fc\u00e7<\/em> \u00e7eyrek sonra y\u00fcksek olmas\u0131 gerekir.<\/span><\/p>\n Ekonomi:<\/strong> T\u00fcketici G\u00fcven Endeksi (CCI), bir \u00fclkenin gayri safi yurt i\u00e7i has\u0131las\u0131n\u0131n (GSY\u0130H) \u00f6nc\u00fc g\u00f6stergesi olarak kabul edilir. \u00d6rne\u011fin, belirli bir ayda CCI y\u00fcksekse GSYH’nin x<\/em> ay sonra daha y\u00fcksek olmas\u0131 muhtemeldir.<\/span><\/p>\n A\u015fa\u011f\u0131daki \u00f6rnek Python’da iki zaman serisi aras\u0131ndaki \u00e7apraz korelasyonun nas\u0131l hesaplanaca\u011f\u0131n\u0131 g\u00f6sterir.<\/span><\/p>\n Diyelim ki Python’da, belirli bir \u015firket i\u00e7in toplam pazarlama harcamas\u0131n\u0131 (bin olarak) ve ard\u0131 ard\u0131na 12 ay boyunca toplam geliri (bin olarak) g\u00f6steren a\u015fa\u011f\u0131daki zaman serimiz var:<\/span><\/p>\n \u0130ki zaman serisi aras\u0131ndaki her gecikme i\u00e7in \u00e7apraz korelasyonu statsmodels paketindeki<\/a> ccf()<\/b> fonksiyonunu kullanarak a\u015fa\u011f\u0131daki \u015fekilde hesaplayabiliriz:<\/span><\/p>\n Bu \u00e7\u0131kt\u0131y\u0131 nas\u0131l yorumlayaca\u011f\u0131n\u0131z a\u015fa\u011f\u0131da a\u00e7\u0131klanm\u0131\u015ft\u0131r:<\/span><\/p>\n Ve benzeri.<\/span><\/p>\n Gecikme say\u0131s\u0131 artt\u0131k\u00e7a iki zaman serisi aras\u0131ndaki korelasyonun giderek daha az pozitif hale geldi\u011fine dikkat edin. Bu bize, belirli bir aydaki pazarlama harcamas\u0131n\u0131n bir veya iki ay sonraki geliri olduk\u00e7a tahmin etti\u011fini, ancak iki aydan sonraki geliri tahmin etmedi\u011fini s\u00f6yl\u00fcyor.<\/span><\/p>\n Bu sezgisel olarak mant\u0131kl\u0131d\u0131r: Belirli bir aydaki y\u00fcksek pazarlama harcamalar\u0131n\u0131n \u00f6n\u00fcm\u00fczdeki iki ay boyunca gelirde bir art\u0131\u015f olaca\u011f\u0131n\u0131 \u00f6ng\u00f6rmesini bekleriz, ancak bundan birka\u00e7 ay sonra gelirde bir art\u0131\u015f olmas\u0131 \u015fart de\u011fildir.<\/span><\/p>\n Python’da Otokorelasyon Nas\u0131l Hesaplan\u0131r?<\/a> \u00c7apraz korelasyon , bir zaman serisi ile ba\u015fka bir zaman serisinin gecikmeli versiyonu aras\u0131ndaki benzerlik derecesini \u00f6l\u00e7menin bir yoludur. Bu t\u00fcr bir korelasyonun hesaplanmas\u0131 faydal\u0131d\u0131r \u00e7\u00fcnk\u00fc bize bir zaman serisindeki de\u011ferlerin ba\u015fka bir zaman serisindeki gelecekteki de\u011ferleri tahmin edip etmedi\u011fini s\u00f6yleyebilir. Ba\u015fka bir deyi\u015fle, bir zaman serisinin ba\u015fka bir zaman serisi i\u00e7in \u00f6nc\u00fc g\u00f6sterge olup […]<\/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":[],"class_list":["post-1558","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n \u00d6rnek: Python’da \u00c7apraz Korelasyon Nas\u0131l Hesaplan\u0131r?<\/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
Ek kaynaklar<\/strong><\/span><\/h3>\n
Python’da k\u0131smi korelasyon nas\u0131l hesaplan\u0131r<\/a>
Python’da nokta-\u00e7ift serili korelasyon nas\u0131l hesaplan\u0131r<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"