আপনার প্রশ্নের উত্তর দেওয়ার সবচেয়ে সহজ উপায়টি বুঝতে হবে যে প্রায়শই ডেটা সেটগুলি প্রায়শই ক্রস-বিভাগীয় , সময় সিরিজ এবং প্যানেল হিসাবে শ্রেণিবদ্ধ করা হয় । ক্রস-বিভাগীয় রিগ্রেশন ক্রস-বিভাগীয় ডেটা সেটগুলির জন্য একটি যেতে যাওয়া সরঞ্জাম is এটা হল সবচেয়ে মানুষ কি জানি এবং একটি শব্দ সঙ্গে পড়ুন হয় রিগ্রেশন । টাইম সিরিজ রিগ্রেশন কখনও কখনও টাইম-সিরিজে প্রয়োগ করা হয় তবে টাইম সিরিজ বিশ্লেষণে রিগ্রেশন ছাড়িয়েও বিস্তৃত সরঞ্জাম রয়েছে।
(x1,y1),(x2,y3),…,(xn,yn)xi,yiy∼xy^x
যদি নমুনাটি এলোমেলোভাবে না হয়, তবে রিগ্রেশনটি মোটেই কাজ করতে পারে না। উদাহরণস্বরূপ, আপনি মডেলটি অনুমান করার জন্য প্রথম শ্রেণিতে কেবল মেয়েদের বেছে নিয়েছিলেন, তবে আপনাকে দ্বাদশ শ্রেণির একজন পুরুষের উচ্চতা সম্পর্কে ভবিষ্যদ্বাণী করতে হবে। সুতরাং, ক্রস-বিভাগীয় সেটআপেও রিগ্রেশনটির নিজস্ব সমস্যা রয়েছে।
xt,yt(x1,y1),(x2,y3),…,(xn,yn)tx,y
t
তৃতীয় সাধারণ ডেটাসেট টাইপ হ'ল একটি প্যানেল, বিশেষত, এক লম্বা লম্বালম্বী ডেটা। এখানে, আপনি বেশিরভাগ শিক্ষার্থীর জন্য ওজন এবং উচ্চতা ভেরিয়েবলের বেশ কয়েকটি স্ন্যাপশট পেতে পারেন। এই ডেটাসেটটি ক্রস-বিভাগের তরঙ্গ বা সময়ের সিরিজের সেটগুলির মতো দেখতে পারে ।
স্বাভাবিকভাবেই, এটি আগের দুটি ধরণের চেয়ে জটিল হতে পারে। এখানে আমরা প্যানেলের জন্য তৈরি প্যানেল রিগ্রেশন এবং অন্যান্য বিশেষ কৌশল ব্যবহার করি।
সংক্ষেপে বলা যায় যে ক্রম-বিভাগীয় রিগ্রেশনের তুলনায় সময় সিরিজ রিগ্রেশনকে একটি স্বতন্ত্র সরঞ্জাম হিসাবে বিবেচনা করা হয় তা হ'ল রিগ্রেশন প্রযুক্তির স্বাধীনতা অনুমানের ক্ষেত্রে টাইম সিরিজটি অনন্য চ্যালেঞ্জ উপস্থিত করে। বিশেষত, ক্রস-বিভাগীয় বিশ্লেষণের বিপরীতে, পর্যবেক্ষণের ক্রমের বিষয়টি বিবেচনার কারণে এটি সাধারণত সকল ধরণের পারস্পরিক সম্পর্ক এবং নির্ভরতা কাঠামোর দিকে পরিচালিত করে, যা কখনও কখনও রিগ্রেশন প্রযুক্তির প্রয়োগকে অকার্যকর করে তুলতে পারে। আপনাকে নির্ভরতার সাথে মোকাবিলা করতে হবে এবং সময় সিরিজের বিশ্লেষণ ঠিক এটাই।
সম্পদের দামের পূর্বাভাস
এছাড়াও, আপনি সাধারণভাবে শেয়ার বাজার এবং সম্পদের দাম সম্পর্কে একটি সাধারণ ভ্রান্ত ধারণা পুনরাবৃত্তি করছেন, সেগুলি পূর্বাভাস দেওয়া যায় না। এই বিবৃতিটি সত্য হতে খুব সাধারণ। এটি সত্য যে আপনি এএপিএলের পরবর্তী টিকটিকে নির্ভরযোগ্যভাবে পূর্বাভাস দিতে পারবেন না। তবে এটি খুব সংকীর্ণ সমস্যা। আপনি যদি নিজের নেটকে আরও প্রশস্ত করেন তবে আপনি সমস্ত ধরণের পূর্বাভাস (এবং বিশেষত সময় সিরিজের বিশ্লেষণ) ব্যবহার করে অর্থোপার্জনের প্রচুর সুযোগ আবিষ্কার করবেন। পরিসংখ্যান সালিস এমন একটি ক্ষেত্র।
এখন, যে কারণে সম্পদের মূল্য নিকটবর্তী সময়ে পূর্বাভাস দেওয়া শক্ত তা হ'ল দাম পরিবর্তনের একটি বড় উপাদানটি নতুন তথ্য। সত্যিকারের নতুন তথ্য যা অতীত থেকে বাস্তবিকভাবে তৈরি করা যায় না তা সংজ্ঞায়িত করে বলা অসম্ভব। যাইহোক, এটি একটি আদর্শ মডেল, এবং প্রচুর লোক যুক্তি দেখান যে ব্যঙ্গতা বিদ্যমান রয়েছে যা রাষ্ট্রের অধ্যবসায়ের জন্য অনুমতি দেয়। এর অর্থ মূল্য পরিবর্তনের অংশটি অতীত দ্বারা ব্যাখ্যা করা যেতে পারে। এই ধরনের ক্ষেত্রে সময় সিরিজ বিশ্লেষণ বেশ উপযুক্ত কারণ এটি অবিকল দৃ pers়তার সাথে কাজ করে deals এটি পুরানো থেকে নতুনকে আলাদা করে নতুনকে ভবিষ্যদ্বাণী করা অসম্ভব, তবে পুরানোটিকে অতীত থেকে ভবিষ্যতে টেনে আনা হয়। আপনি এমনকি একটি সামান্য বিট ব্যাখ্যা করতে পারেন, অর্থ এটা মানে হল আপনি mayঅর্থোপার্জন করতে সক্ষম হোন যতক্ষণ না এই জাতীয় পূর্বাভাসের উপর নির্মিত কৌশলটির দাম এর দ্বারা উত্পন্ন আয়কে আচ্ছাদন করে।
পরিশেষে, ২০১৩ সালে অর্থনীতির নোবেল পুরষ্কারটি একবার দেখুন : "পরবর্তী তিন থেকে পাঁচ বছরের মতো দীর্ঘমেয়াদে এই মূল্যের বিস্তৃত কোর্সটি আগে থেকে অনুধাবন করা সম্ভব।" শিলারের নোবেল বক্তৃতাটি একবার দেখুন , তিনি সম্পদের দামের পূর্বাভাসের বিষয়ে আলোচনা করেছেন।