Методы статистического анализа

Анализ данных в настоящее время играет большую роль как в различных научных исследованиях, так и в сфере бизнеса. Обработка и анализ полученных в ходе деятельности данных позволяют интерпретировать результаты работы, давая почву для дальнейшего развития. Существует множество вариантов представления данных. Одним из них являются данные, представленные в виде временного ряда, то есть изменений значений показателей с течением времени. Особенностью таких данных является их практическая применимость для прогнозирования значений показателей в будущем. Прогнозирование, в свою очередь, представляет собой инструмент, помогающий в принятии решений и планировании предстоящих действий. В данной работе рассматриваются методы анализа и построения моделей временных рядов. Ключевой рассматриваемой методологией является ARIMA. Проведено обобщение этапов данной методологии и связанных с ними понятий. Описаны способы визуального и статистического анализа моделируемых данных. Рассмотрены методы подбора наиболее хорошо описывающих исходные данные моделей и оценки качества подобранных моделей, в том числе при построении прогнозов. Реализован инструментарий на языке программирования Python для применения вышеуказанной методологии на практике. С применением описанной методологии и реализованного инструментария проведён анализ, моделирование и прогнозирование временного ряда. На основе использования модели на практике сделаны выводы о её применимости.

Statistical Analysis Methods

Nowadays, data analysis plays a great role either in different scientific research or in business sphere. The processing and analysis of data obtained during activities allow to interpret the work results, providing a fundament for the further development. There is a variety of data presenting ways. One of them is presenting in form of time series, that is, changes in the values of indicators over time. A feature of such data is its practical applicability in forecasting future values of indicators. Forecasting, in turn, is a tool helping in decision-making and planning for coming actions. This paper examines methods of analysis and constructing time series models. The key methodology under review is ARIMA. The work generalizes steps of this methodology and related concepts, describes visual and statistical analysis methods of modeling data. It considers methods for the selection of the models that describe initial data in the best way, methods for assessing the quality of selected models, including quality of forecasting. For applying the above methodology in practice, the toolkit on Python programming language has been developed. Using the described methodology and implemented toolkit, the analysis, modeling and forecasting of time series has been carried on. The conclusions of the model applicability are drawn according to the results of its practice using.