Автокорреляции данных
Подскажите пожалуйста можно ли строить прогнозную модель, если среди предикторов есть с данные с автокорреляцией (например объем продаж охладительных напитков значительно зависит от сезона). Судя из определения автокорреляции это приводит к завышению тестовых статистик, по которым проверяется качество модели, т.е. создается искусственное улучшение качества модели относительно её действительного уровня точности.
Не могу понять логику - наличие зависимости объемов продаж от сезона это ведь хорошо для прогноза, это позволяет более точно предположить объемы продаж в будущем. Или я не верно рассуждаю? С другой стороны прочел массу информации о плохом влиянии автокорреляции данных на прогноз.
Посоветуйте как понять значимая моя автокорреляция или нет, как избавиться от автокорреляции или минимизировать ее влияние.
Ответы (2 шт):
Не могу понять фразу : "если среди предикторов есть с данные с автокорреляцией (например объем продаж охладительных напитков значительно зависит от сезона)". Т.е. мало того, что у вас есть значения (например) продаж по месяцам или неделям, так вы еще вводите дополнительную предикторную переменную "сезон" что-ли? Понятно, что номер месяца и сезон - не просто коррелированы, а вообще функционально зависимые переменные. Только вот зачем так делать?
"Посоветуйте как понять значимая моя автокорреляция или нет" - для этого подойдет статистический тест определения значимости коэффициента корреляции. Но только опять не пойму, корреляцию чего от чего вы собрались делать? Автокорреляция - это зависимость значений ряда от предыдущих значений этого-же ряда. К предикторным переменным это не имеет никакого отношения.
как избавиться от автокорреляции или минимизировать ее влияние. - Если "автокорреляция" здесь употреблено в общеупотребимом смысле, а не так, как вам кажется, то ее убирать смысла нет, так как это один из главных характеристик природы временного ряда, очень важный с точки зрения прогнозирования его значений.
Посоветуйте как понять значимая моя автокорреляция или нет, как избавиться от автокорреляции или минимизировать ее влияние.
от В.Р. отнять трендовую составляющую и сезонную - остатки будут данные, очищенные от тренда и сезонности.
используйте специализированные библиотеки - например, statsmodels на python, ознакомьтесь с документацией, как интерпретировать результаты (графики) их применения для Авторегрессионных моделей - AR, ARMA, ARIMA, SARIMA, SARIMAX, VAR, VARMA, VARIMAX. На графике автокорреляции - чётко видно, есть ли она и какая она, эти параметры и надо заложить в модель
p.s. не пытайтесь делать это руками, используйте специализированные библиотеки, для расчётов руками там много сложной математики