Time series plotPositively autocorr

Time series plot
Positively autocorrelated series are sometimes called persistent because positive departures
from the mean tend to be followed by positive departures from the mean, and negative departures
from the mean tend to be followed by negative departures (Figure 3.1). In contrast, negative
autocorrelation is characterized by a tendency for positive departures to follow negative
departures, and vice versa. Positive autocorrelation might show up in a time series plot as
unusually long runs, or stretches, of several consecutive observations above or below the mean.
Negative autocorrelation might show up as an unusually low incidence of such runs. Because the
“departures”
for computing autocorrelation are relative the mean, a horizontal line plotted at the
sample mean is useful in evaluating autocorrelation with the time series plot.
Visual assessment of autocorrelation from the time series plot is subjective and depends
considerably on experience. Statistical tests based on the observed number of runs above and
below the mean are available (e.g., Draper and Smith 1981), though none are covered in this
course. It is a good idea, however, to look at the time series plot as a first step in analysis of
persistence. If nothing else, this inspection might show that the persistence is much more
prevalent in some parts of the series than in others.

ผลลัพธ์ (ไทย) 1:

ลงจุดชุดข้อมูลเวลาบวกชุด autocorrelated บางครั้งเรียกว่าแบบถาวรเนื่องจากออกเป็นบวก จากค่าเฉลี่ยมักจะตาม ด้วยค่าบวกออกจากค่าเฉลี่ย และลบออก จากค่าเฉลี่ยมักจะตาม ด้วยลบออก (รูปที่ 3.1) ในทางตรงกันข้าม ลบ autocorrelation เป็นลักษณะแนวโน้มสำหรับออกบวกลบตาม ออก และในทางกลับกัน บวก autocorrelation อาจแสดงค่าในลำดับการลงจุดเป็นระยะเวลานานผิดปกติทำงาน หรือ ยืด สังเกตต่อเนื่องหลายด้านบน หรือต่ำ กว่าค่าเฉลี่ย Autocorrelation ลบอาจแสดงค่าเป็นอุบัติการณ์ที่ต่ำผิดปกติดังกล่าวรัน เนื่องจากการ "ขาออก" สำหรับคอมพิวเตอร์ autocorrelation จะสัมพันธ์หมายถึง แนวพล็อตที่จะ หมายความว่าตัวอย่างจะเป็นประโยชน์ในการประเมิน autocorrelation ด้วยเวลาลงจุดชุดประเมินภาพของ autocorrelation จากเวลาลงจุดชุดข้อมูลเป็นตามอัตวิสัย และขึ้นอยู่กับ บนประสบการณ์มาก ทดสอบทางสถิติตามจำนวนข้างต้นเรียกใช้สังเกต และ ต่ำกว่าค่าเฉลี่ยมี (เช่น Draper และ Smith 1981), แม้ว่าไม่มีจะอยู่ในนี้ หลักสูตร มันเป็นความคิดที่ดี ไร ดูชุดเวลาแปลงเป็นขั้นตอนแรกในการวิเคราะห์ของ คงอยู่ ถ้าไม่มีอะไรอื่น ตรวจสอบนี้อาจแสดงว่าคงอยู่มาก พบมากในบางส่วนของชุดมากกว่าคนอื่น

ผลลัพธ์ (ไทย) 2:

อนุกรมเวลาพล็อต
แบบอัตสหสัมพันธ์บวกบางครั้งเรียกว่าถาวรเพราะขาออกเชิงบวก
จากค่าเฉลี่ยมีแนวโน้มที่จะตามมาด้วยการออกบวกจากค่าเฉลี่ยและขาออกเชิงลบ
จากค่าเฉลี่ยมีแนวโน้มที่จะตามมาด้วยขาออกเชิงลบ (รูปที่ 3.1) ในทางตรงกันข้ามการลบ
ผิดพลาดที่สัมพันธ์เป็นลักษณะแนวโน้มสำหรับขาออกเชิงบวกที่จะปฏิบัติตามลบ
ออกและในทางกลับกัน ผิดพลาดที่สัมพันธ์เชิงบวกอาจปรากฏขึ้นในพล็อตซีรีส์เป็นเวลา
วิ่งนานผิดปกติหรือเหยียดของการสังเกตหลายติดต่อกันสูงหรือต่ำกว่าค่าเฉลี่ย
ผิดพลาดที่สัมพันธ์เชิงลบอาจแสดงเป็นอัตราการเกิดต่ำผิดปกติของการทำงานดังกล่าว เพราะ
"ขาออก"
สำหรับการคำนวณผิดพลาดที่สัมพันธ์เป็นญาติหมายถึงเส้นแนวนอนจุดที่
ค่าเฉลี่ยของกลุ่มตัวอย่างที่เป็นประโยชน์ในการประเมินผิดพลาดที่สัมพันธ์กับเวลาที่พล็อตแบบ
ประเมินภาพของอัตจากพล็อตอนุกรมเวลาเป็นอัตนัยและขึ้นอยู่
อย่างมากกับประสบการณ์ การทดสอบทางสถิติตามจำนวนที่สังเกตได้ของการทำงานสูงกว่าและ
ต่ำกว่าค่าเฉลี่ยที่มีอยู่ (เช่นผักและสมิ ธ 1981) แม้ว่าจะไม่ได้รับความคุ้มครองในเรื่องนี้
แน่นอน มันเป็นความคิดที่ดี แต่ไปดูที่พล็อตอนุกรมเวลาเป็นขั้นตอนแรกในการวิเคราะห์
ความคงทน หากไม่มีอะไรอื่นการตรวจสอบนี้อาจจะแสดงให้เห็นว่ายังคงมีมากขึ้น
แพร่หลายในบางส่วนของชุดกว่าคนอื่น ๆ

ผลลัพธ์ (ไทย) 3:

เวลาแปลงชุด
บวก 94 ชุดบางครั้งเรียกว่าแบบถาวรเพราะขาออกบวก
จากค่าเฉลี่ยมีแนวโน้มที่จะปฏิบัติตามขาออกบวกจากค่าเฉลี่ยและ
ขาออกลบจากค่าเฉลี่ยมีแนวโน้มที่จะปฏิบัติตามขาออกลบ ( รูปที่ 1 ) ในทางตรงกันข้าม อัตลบ
เป็นลักษณะแนวโน้มขาออกบวกลบ
ติดตามขาออกและในทางกลับกัน ข้อมูลที่เป็นบวกอาจแสดงขึ้นในเวลาที่ชุดแปลงเป็น
วิ่งยาวผิดปกติ หรือยืด ของหลาย ๆ ครั้งสังเกตข้างบนหรือข้างล่างหมายถึง
ข้อมูลเชิงลบอาจจะแสดงเป็นอุบัติการณ์ต่ำผิดปกติ เช่น วิ่ง เพราะ

" ขาออก " สำหรับข้อมูลคอมพิวเตอร์มีญาติ หมายถึง เส้นแนวนอนวางแผนที่
ค่าเฉลี่ยตัวอย่างจะเป็นประโยชน์ในการประเมินข้อมูลกับเวลาที่ชุดแปลง จากการประเมินภาพ
ข้อมูลอนุกรมเวลาแปลงเป็นอัตวิสัย และขึ้นอยู่กับ
มากประสบการณ์ สถิติทดสอบตามสังเกตเลขวิ่งด้านบนและด้านล่างหมายถึง
ที่มีอยู่ ( เช่นผักและ Smith , 1981 ) ว่า ใคร จะครอบคลุมในหลักสูตรนี้

มันเป็นความคิดที่ดี อย่างไรก็ตามดูเวลา ชุดแปลงเป็นขั้นตอนแรกในการวิเคราะห์
ความคงอยู่ ถ้าไม่มีอะไรอื่น การตรวจสอบนี้อาจแสดงให้เห็นว่า การเป็นมากขึ้น
แพร่หลายในบางส่วนของชุดมากกว่าคนอื่น ๆ