Временной ряд: различия между версиями
Материал из Поле цифровой дидактики
Patarakin (обсуждение | вклад) Нет описания правки |
Patarakin (обсуждение | вклад) Нет описания правки |
||
| Строка 17: | Строка 17: | ||
<math>\Delta y_t = y_t - y_{t-1},\quad \Delta_m y_t = y_t - y_{t-m}</math> | <math>\Delta y_t = y_t - y_{t-1},\quad \Delta_m y_t = y_t - y_{t-m}</math> | ||
Пример из NetLogo: в модели [[ | Пример из NetLogo: в модели [[Urban Suite - Economic Disparity|Economic Disparity]] можно регистрировать величину неравенства (например, [[Коэффициент Джини|коэффициент Джини]]) на каждом шаге модели t . Полученный ряд G_t анализируется на наличие тренда и автокорреляции. | ||
Версия от 11:29, 5 сентября 2025
| Описание | Временной ряд — это упорядоченная в порядке времени последовательность наблюдений за некоторым явлением или процессом. Каждое наблюдение в ряду относится к определённому моменту или интервалу времени (например, день, месяц, год). Временные ряды применяются для анализа динамики социально-экономических показателей (уровень безработицы, ВВП, индекс потребительских цен), демографических процессов (численность населения, миграционные потоки) и природных явлений (температура, осадки). Основные задачи анализа временных рядов: выявление тренда (долгосрочной тенденции), сезонных колебаний, циклических процессов и случайных флуктуаций, а также прогнозирование будущих значений на основе статистических моделей. |
|---|---|
| Область знаний | Социология, Экономика, Статистика |
| Авторы | |
| Поясняющее видео | |
| Близкие понятия | |
| Среды и средства для освоения понятия |
Общая структура ряда часто представляется в виде суммы трёх компонент: [math]\displaystyle{ y_t = T_t + S_t + \varepsilon_t }[/math] где [math]\displaystyle{ T_t }[/math] — тренд (долгосрочная компонентa), [math]\displaystyle{ S_t }[/math] — сезонная компонентa, [math]\displaystyle{ \varepsilon_t }[/math] — стохастический шум (случайные отклонения).
Для удаления тренда используют операции разностей:
[math]\displaystyle{ \Delta y_t = y_t - y_{t-1},\quad \Delta_m y_t = y_t - y_{t-m} }[/math]
Пример из NetLogo: в модели Economic Disparity можно регистрировать величину неравенства (например, коэффициент Джини) на каждом шаге модели t . Полученный ряд G_t анализируется на наличие тренда и автокорреляции.
