Аналіз головних компонент (PCA) став ключовим інструментом для побудови динамічних моделей векторних часових рядів з великою розмірністю поперечного перерізу. Типова програма спочатку віднімає вибіркове середнє значення від кожної змінної та ділить зменшені змінні на їхні вибіркові стандартні відхилення.13 січня 2024 р.
PCA пропонує значні переваги для аналізу даних часових рядів, включаючи зменшення розмірності, яке спрощує складні набори даних у меншу кількість змінних, роблячи аналіз більш керованим.
У цьому документі розроблено процедуру для виявлення загальних циклічних факторів, які керують поєднанням стаціонарних і нестаціонарних змінних. Метод не вимагає знання того, які змінні є нестаціонарними, або природи нестаціонарності.
Це показує один спосіб зробити нестаціонарний часовий ряд стаціонарним — обчислити різницю між послідовними спостереженнями. Це відомо як розрізнення. Такі перетворення, як логарифми, можуть допомогти стабілізувати дисперсію часового ряду.
Швидка та ґрунтовна перевірка, щоб побачити, чи ваш часовий ряд є нестаціонарним переглянути зведену статистику. Ви можете розділити свій часовий ряд на дві (або більше) частини та порівняти середнє значення та дисперсію кожної групи. Якщо вони відрізняються і різниця є статистично значущою, часовий ряд, ймовірно, нестаціонарний.
PCA слід використовувати головним чином для змінних, які сильно корельовані. Якщо зв’язок між змінними слабкий, PCA погано працює для зменшення даних. Для визначення зверніться до кореляційної матриці. Загалом, якщо більшість коефіцієнтів кореляції менші за 0,3, PCA не допоможе.