หากคุณมีข้อมูลตามลำดับเวลาข้อมูลซีรีย์ iTime มี "รู้จัก" และรอการค้นพบคือ "ไม่ทราบ" ตัวอย่างเช่นถ้าคุณมีลำดับจุดข้อมูลเป็นระยะเวลา 10 ช่วงเช่น 1,9,1,9,1,5,1,9,1,9 จากนั้นขึ้นอยู่กับตัวอย่างนี้หนึ่งสามารถคาดหวังอย่างสมเหตุสมผล 1,9,1,9 , ... จะเกิดขึ้นในอนาคต การวิเคราะห์ข้อมูลเผยให้เห็นว่ามีการอ่าน "ผิดปกติ" ในช่วงเวลาที่ 6 ถึงแม้ว่ามันจะดีภายใน + -3 sigma limit บอกว่า DGF ไม่ได้ถือ การเปิดโปง Inlier / Outlier ช่วยให้เราสามารถเปิดเผยข้อมูลเกี่ยวกับข้อมูล นอกจากนี้เรายังทราบว่าค่าเฉลี่ยไม่ใช่ค่าที่คาดหวัง แนวคิดนี้ขยายไปสู่การตรวจหาค่ากะเฉลี่ยและ / หรือแนวโน้มเวลาท้องถิ่นที่อาจไม่เป็นที่รู้จักก่อนที่จะวิเคราะห์ข้อมูลได้อย่างง่ายดาย (การสร้างสมมุติฐาน) ตอนนี้เป็นไปได้ค่อนข้างมากที่การอ่าน 10 ครั้งถัดไปจะเป็น 1,9,1,9 1,5,1,9,1,9 แนะนำว่า "5" นั้นไม่จำเป็น หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างการตอบสนอง (นำไปสู่โครงสร้างร่วมสมัยและโครงสร้างล่าช้า) รอบ ๆ วันหยุดแต่ละวันซึ่งสะท้อนพฤติกรรมที่สอดคล้อง / คาดการณ์ได้ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ 9 แนะนำว่า "5" ไม่จำเป็นต้องเป็นเรื่องไม่ดี หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างการตอบสนอง (นำไปสู่โครงสร้างร่วมสมัยและโครงสร้างล่าช้า) รอบ ๆ วันหยุดแต่ละวันซึ่งสะท้อนพฤติกรรมที่สอดคล้อง / คาดการณ์ได้ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ 9 แนะนำว่า "5" ไม่จำเป็นต้องเป็นเรื่องไม่ดี หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างการตอบสนอง (นำไปสู่โครงสร้างร่วมสมัยและโครงสร้างล่าช้า) รอบ ๆ วันหยุดแต่ละวันซึ่งสะท้อนพฤติกรรมที่สอดคล้อง / คาดการณ์ได้ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ ไม่จำเป็นต้องดูถูก หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ ไม่จำเป็นต้องดูถูก หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ หากเราสังเกตกระบวนการข้อผิดพลาดจากตัวแบบที่เหมาะสมซึ่งแสดงถึงความแปรปรวนแบบไม่คงที่ที่พิสูจน์ได้เราอาจจะเปิดเผยหนึ่งในสภาวะต่อไปนี้: 1) พารามิเตอร์อาจมีการเปลี่ยนแปลง ณ เวลาใดเวลาหนึ่ง; 2. อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง หากคุณมีการวิเคราะห์ข้อมูลรายวันที่ดีอาจเปิดเผยว่ามีหน้าต่างตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยได้ว่าบางวันของเดือนนั้นมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ อาจจำเป็นต้องมีการวิเคราะห์น้ำหนัก (GLS) 3. อาจจำเป็นต้องแปลงข้อมูลผ่านการแปลงพลังงาน 4. อาจจำเป็นต้องจำลองความแปรปรวนของข้อผิดพลาดจริง ๆ หากคุณมีการวิเคราะห์ข้อมูลที่ดีในชีวิตประจำวันอาจเปิดเผยว่ามีหน้าต่างการตอบสนอง (นำไปสู่ คุณอาจสามารถเปิดเผยว่าบางวันของเดือนมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ โครงสร้างร่วมสมัยและความล่าช้า) รอบ ๆ วันหยุดแต่ละวันจะสะท้อนพฤติกรรมที่สอดคล้อง / คาดการณ์ได้ คุณอาจสามารถเปิดเผยว่าบางวันของเดือนมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ โครงสร้างร่วมสมัยและความล่าช้า) รอบ ๆ วันหยุดแต่ละวันจะสะท้อนพฤติกรรมที่สอดคล้อง / คาดการณ์ได้ คุณอาจสามารถเปิดเผยว่าบางวันของเดือนมีผลกระทบที่สำคัญหรือวันศุกร์ก่อนวันหยุดวันจันทร์มีกิจกรรมพิเศษ