自己相関のデータに関する考慮事項

確実に有効な結果が得られるようにするため、データを収集し、分析を行い、結果を解釈する際には、次のガイドラインを考慮してください。
時系列順にデータを記録する
時系列データは、一定の間隔で収集され、時間順に記録されます。データは、収集したときと同じ順序でワークシートに記録する必要があります。データが時系列順になっていないと、データの時間関連のパターンを評価できません。ただしその場合でも、散布図を使用して連続変数のペア間の関係を調査することはできます。
トレンドまたはパターンを評価するために十分なデータを収集する
十分なデータを収集し、データのトレンドまたはパターンを十分に評価できるようにします。Minitabには、最初のn/4の遅れについてのみ相関が表示されます。そのため、月次データがある場合は、季節モデルを判別するときに大きなサンプルサイズが必要になります。たとえば、自己相関プロットでの遅れ36までは、少なくとも144の観測値が必要です。
適切な時間間隔でデータを収集する

検出しようとするパターンに基づいて時間間隔を選択します。たとえば、工程で月別のパターンを探すには、各月の同じ時期にデータを収集します。週ごとにデータを収集すると、週次データの雑音の中に月次パターンが失われる可能性があります。各四半期にデータを収集する場合、月次パターンは、各四半期で平均化すると失われる可能性があります。

ただし、時間経過に伴うデータの一般的なトレンドやシフトのみを探し、特定の時間間隔に関連するパターンを探すのでなければ、間隔の長さはそれほど重要ではありません。

データは定常的でなければならない

定常時系列には、時間が経過しても基本的に変化しない、一定の平均、分散、および自己相関関数があります。遅れ1にいくつかの遅れにかけてゆっくり減少する大きなスパイクがある場合、そのデータは非定常的です。このパターンが見られる場合は、モデルの特定を試みる前に、データの階差を取る必要があります。データの階差を取るには、階差を使用します。データの階差を取ったら、別の自己相関プロットを取得します。 

同じパターンは季節的な遅れで発生することもあります。つまり、最初の季節の遅れで大きな相関が発生し、いくつかの季節的な遅れに渡って減少します。このパターンが認められる場合は、モデルの特定を試みる前に、季節的な長さと等しい長さの遅れを使用してデータの階差を取る必要があります。

本サイトを使用すると、分析およびコンテンツのカスタマイズのためにクッキーが使用されることに同意したことになります。  当社のプライバシーポリシーをご確認ください