อะไรคือความแตกต่างระหว่างคำว่า "การวิเคราะห์อนุกรมเวลา" และ "การวิเคราะห์ข้อมูลระยะยาว"


17

เมื่อพูดถึงข้อมูลระยะยาวเราอาจอ้างถึงข้อมูลที่รวบรวมจากหน่วยงาน / การศึกษาเดียวกันซ้ำ ๆ ซ้ำ ๆ กันดังนั้นจึงมีความสัมพันธ์สำหรับการสังเกตในเรื่องเดียวกันคือความคล้ายคลึงกันภายในเรื่อง

เมื่อพูดถึงข้อมูลอนุกรมเวลาเรายังอ้างถึงข้อมูลที่รวบรวมในช่วงเวลาหนึ่งและดูเหมือนว่าจะคล้ายกับการตั้งค่าตามยาวที่กล่าวถึงข้างต้น

ฉันสงสัยว่าถ้าใครบางคนสามารถให้คำอธิบายที่ชัดเจนระหว่างสองคำนี้ความสัมพันธ์และความแตกต่างคืออะไร?


1
สิ่งนี้อาจกลายเป็นแบบสำรวจความคิดเห็น ... ฉันได้ทำงานกับข้อมูลทั้งสองประเภทและความแตกต่างที่สำคัญอย่างหนึ่งคือข้อมูลระยะยาวมักใช้ในการวิเคราะห์เชิงสาเหตุเพื่อทำความเข้าใจผลกระทบของการแทรกแซงหรือการรักษาในขณะที่อนุกรมเวลามักใช้ ในการคาดการณ์ แน่นอนความแตกต่างนั้นไม่ชัดเจน (คุณต้องเข้าใจไดรเวอร์พื้นฐานเพื่อคาดการณ์และ IMO ที่คุณไม่เข้าใจไดรเวอร์ยกเว้นว่าคุณจะคาดการณ์ได้ดี) แต่คนที่ทำการตรวจจับสัญญาณในอนุกรมเวลามักไม่สนใจเรื่องการพยากรณ์มากนักดังนั้นพวกเขาอาจปฏิเสธความแตกต่างของฉัน
S. Kolassa - Reinstate Monica

ขอบคุณสำหรับความคิดเห็นของคุณ แต่ฉันคิดว่าคำว่า "สาเหตุ" อาจไม่เหมาะสมที่นี่ แต่คำว่า "สมาคม" ควรจะดีกว่าใช่ไหม ในแง่ของวัตถุประสงค์ของการวิเคราะห์ข้อมูลฉันคิดว่าความคิดเห็นของคุณเหมาะสมสำหรับฉัน แต่เราไม่สามารถใช้ข้อมูลระยะยาวเพื่อคาดการณ์ได้ใช่ไหม เนื่องจากเป็นข้อมูลอนุกรมเวลาเช่นกัน
ถาม

1
คุณมีประเด็นเรื่อง "สาเหตุ" กับ "การเชื่อมโยง" และแน่นอนว่าข้อมูลระยะยาวสามารถนำมาใช้ในการคาดการณ์ได้ - มันเป็นเพียงที่ฉันไม่เห็นแนวคิดทั้งสองบ่อยครั้งด้วยกัน พยากรณ์มักจะพูดคุยเกี่ยวกับอนุกรมเวลา นอกจากนั้นฉันไม่สามารถใส่มันได้ดีไปกว่า @gung
S. Kolassa - Reinstate Monica

3
หนึ่งที่เป็นไปได้โดยทั่วไป (ไม่ definitional) ความแตกต่างก็คือว่าในช่วงเวลาที่คุณเห็นและเวลารุ่นการตอบสนองเป็นขึ้นอยู่กับที- 1รัฐ นี้เป็นยกยอดผล ในการวิเคราะห์เวลาตามยาวคุณมักพิจารณาว่าเวลาเป็นปัจจัยพื้นฐานที่มีวิวัฒนาการอย่างถาวร เสื้อเสื้อ-1
ttnphns

คำตอบ:


19

ฉันสงสัยว่ามีคำจำกัดความที่เข้มงวดและเป็นทางการซึ่งนักวิเคราะห์ข้อมูลจำนวนมากเห็นด้วย

อย่างไรก็ตามโดยทั่วไปอนุกรมเวลามีหน่วยการเรียนรู้เดียวที่สังเกตได้ในช่วงเวลาปกติในช่วงเวลาที่ยาวนานมาก ตัวอย่างต้นแบบคือการเติบโตของ GDP ต่อปีของประเทศในช่วงหลายทศวรรษหรือมากกว่าร้อยปี สำหรับนักวิเคราะห์ที่ทำงานให้กับ บริษัท เอกชนอาจเป็นรายได้จากการขายรายเดือนตลอดอายุการใช้งานของ บริษัท เนื่องจากมีการสังเกตจำนวนมากข้อมูลจึงถูกวิเคราะห์อย่างละเอียดมองหาสิ่งต่าง ๆ ตามฤดูกาลในช่วงเวลาที่แตกต่างกัน (เช่นรายเดือน: ยอดขายเพิ่มขึ้นในช่วงต้นเดือนหลังจากที่คนจ่ายเงินรายปี: ยอดขายเพิ่มขึ้นในเดือนพฤศจิกายนและ เดือนธันวาคมเมื่อผู้คนกำลังจับจ่ายซื้อของในเทศกาลคริสต์มาส) และอาจทำให้ระบอบการปกครองเปลี่ยนไป การพยากรณ์มักจะสำคัญมากเช่น @StephanKolassa บันทึก

ตามยาวโดยทั่วไปแล้วหมายถึงการวัดที่น้อยลงสำหรับหน่วยการศึกษาจำนวนมากขึ้น ตัวอย่างต้นแบบอาจเป็นการทดลองใช้ยาซึ่งมีผู้ป่วยหลายร้อยรายที่วัดที่ระดับพื้นฐาน (ก่อนการรักษา) และรายเดือนในอีก 3 เดือนข้างหน้า ด้วยการสังเกตเพียง 4 ข้อของแต่ละหน่วยในตัวอย่างนี้มันเป็นไปไม่ได้ที่จะพยายามตรวจสอบชนิดของฟีเจอร์ที่นักวิเคราะห์อนุกรมเวลาสนใจ แต่ในทางตรงข้ามกับผู้ป่วยสันนิษฐานว่าเป็นการสุ่มในการรักษาและควบคุมแขน ที่ไม่ใช่ความเป็นอิสระได้รับการแก้ไข ดังที่แสดงให้เห็นว่าบ่อยครั้งที่ความไม่อิสระนั้นถือเป็นเรื่องน่ารำคาญมากกว่าลักษณะหลักที่น่าสนใจ


8

ชุดข้อมูลมีสามประเภท:

  • ภาพตัดขวาง: วิชาที่แตกต่างกันในเวลาเดียวกัน; คิดว่ามันเป็นหนึ่งแถวที่มีหลายคอลัมน์ที่สอดคล้องกับวิชาที่แตกต่างกัน
  • อนุกรมเวลา: เรื่องเดียวกันในเวลาที่ต่างกัน คิดว่ามันเป็นหนึ่งคอลัมน์ที่มีแถวที่สอดคล้องกับจุดเวลาที่แตกต่างกัน
  • พาเนล (ยาว): หลาย ๆ วิชาในเวลาต่างกันคุณมีวิชาเดียวกันในเวลาต่างกันและคุณมีหลายวิชาในเวลาเดียวกัน คิดว่ามันเป็นตารางที่แถวเป็นจุดเวลาและคอลัมน์เป็นวิชา

2
จากความคิดเห็นของคุณดูเหมือนว่าข้อมูลระยะยาวเป็นชุดของข้อมูลอนุกรมเวลาหลายชุดที่รวบรวมจากวิชาที่แตกต่างกันหรือไม่
ถาม

1
โดยทั่วไปแล้วคุณสามารถดูข้อมูลแต่ละวิชาเป็นอนุกรมเวลา ในทางปฏิบัติแม้ว่าข้อมูลระยะยาวมักจะมีจุดเวลาน้อยมากสำหรับแต่ละวิชา พวกเขาเรียกจุดเวลาที่คลื่น ตัวอย่างเช่นมันอาจเป็นการศึกษาทางการแพทย์ที่ผู้ป่วยแต่ละรายมีการสังเกต 4-5 ครั้งเป็นรายเดือนและผู้ป่วยหลายร้อยรายในช่วงหลายปีที่ผ่านมา ด้วยวิธีการที่ชุดข้อมูลพาเนลนั้นไม่สมดุลกัน (คิดว่าเป็นตารางที่กระจัดกระจายมาก) ดังนั้นการศึกษาระยะยาวจึงมีวิธีที่พวกเขาชื่นชอบในการจัดการกับสิ่งนี้
Aksakal

สิ่งนี้มีประโยชน์สำหรับคำถาม แต่มีชุดข้อมูลประเภทอื่น ๆ อีกมากมายที่ไม่ได้อยู่ภายใต้หัวข้อใด ๆ เหล่านี้ อย่างไรก็ตามพวกเขาดูเหมือนจะไม่เกี่ยวข้องกับคำถามและการพยายามจำแนกประเภทของชุดข้อมูลที่เป็นไปได้ทั้งหมดจะไร้ประโยชน์ที่นี่ ตัวอย่าง: ชุดข้อมูลใด ๆ ที่โครงสร้างพื้นฐานเป็นหัวเรื่อง x หัวเรื่อง; ชุดข้อมูลใด ๆ ที่ไม่ใช่แบบสองมิติ
Nick Cox

@ NickCox จริง แต่ฉันอยู่ในเศรษฐมิติและทั้งสามนี้เป็นทฤษฎีที่พัฒนาขึ้นและส่วนใหญ่จะใช้ในสาขาของเรา
Aksakal

2
ไม่ต้องสงสัยเลยว่าคุณมี แต่ไม่มีอะไรในคำถามที่จำเป็นหรือแม้แต่กระตุ้นมุมมองทางเศรษฐมิติอย่างแคบและมุมมองเฉพาะของคุณก็ไม่ชัดเจน
Nick Cox

3

สองคำศัพท์เหล่านี้อาจไม่เกี่ยวข้องกับวิธีการที่ OP เข้าใจเช่นฉันไม่คิดว่าพวกเขากำลังแข่งขันในการวิเคราะห์

แต่การวิเคราะห์อนุกรมเวลาอธิบายชุดของเทคนิคระดับล่างซึ่งอาจเป็นประโยชน์ในการวิเคราะห์ข้อมูลในการศึกษาระยะยาว

วัตถุประสงค์ของการศึกษาในการวิเคราะห์อนุกรมเวลาคือสัญญาณบางอย่าง

เทคนิคส่วนใหญ่ในการวิเคราะห์และสร้างแบบจำลอง / ทำนายสัญญาณที่ขึ้นกับเวลาเหล่านี้สร้างขึ้นบนสมมติฐานที่ว่าสัญญาณเหล่านี้แยกออกเป็นส่วนประกอบต่างๆ สองสิ่งที่สำคัญที่สุดคือ:

  • ส่วนประกอบวงจร (เช่นรายวันรายสัปดาห์รายเดือนฤดูกาล) และ

  • แนวโน้ม

กล่าวอีกนัยหนึ่งการวิเคราะห์อนุกรมเวลาขึ้นอยู่กับการใช้ประโยชน์จากลักษณะของวงจรของสัญญาณขึ้นกับเวลาเพื่อแยกสัญญาณพื้นฐาน


0

เพื่อให้ง่ายฉันจะถือว่าการศึกษาของบุคคล แต่เช่นเดียวกับหน่วยการวิเคราะห์ใด ๆ มันไม่ซับซ้อนอนุกรมเวลาคือการรวบรวมข้อมูลเมื่อเวลาผ่านไปโดยปกติจะหมายถึงการวัดเดียวกันจากประชากรที่เทียบเท่าในช่วงเวลาที่แยกจากกัน - หรือรวบรวมอย่างต่อเนื่อง แต่วิเคราะห์ตามช่วงเวลาที่กำหนด
ข้อมูลระยะยาวมีขอบเขตกว้างกว่ามาก ประชากรที่เทียบเท่าจะถูกแทนที่ด้วยประชากรที่เหมือนกันดังนั้นข้อมูลส่วนบุคคลสามารถจับคู่หรือเข้าร่วมเมื่อเวลาผ่านไป ข้อมูลระยะยาวสามารถวัดซ้ำหรือไม่ขึ้นอยู่กับเป้าหมายของการศึกษา เมื่อข้อมูลยาวดูเหมือนว่าอนุกรมเวลาคือเมื่อเราวัดสิ่งเดียวกันเมื่อเวลาผ่านไป ความแตกต่างที่สำคัญคือในอนุกรมเวลาเราสามารถวัดการเปลี่ยนแปลงโดยรวมในการวัดเมื่อเวลาผ่านไป (หรือตามกลุ่ม) ในขณะที่ในการวิเคราะห์ตามยาวคุณจะมีการวัดการเปลี่ยนแปลงในระดับบุคคล ดังนั้นคุณมีศักยภาพมากขึ้นสำหรับการวิเคราะห์และการวัดการเปลี่ยนแปลงไม่มีข้อผิดพลาดหากมีการสุ่มตัวอย่างที่เกี่ยวข้องดังนั้นการศึกษาระยะยาวสามารถแม่นยำและให้ข้อมูลมากขึ้น

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.