Wenn Sie chronologische Daten zu Zeitreihendaten haben, gibt es "Bekannte" und die "Unbekannten" warten darauf, entdeckt zu werden. Wenn Sie beispielsweise eine Folge von Datenpunkten für 10 Zeiträume haben, z. B. 1,9,1,9,1,5,1,9,1,9, können Sie anhand dieses Beispiels vernünftigerweise 1,9,1,9 erwarten , ... in der Zukunft entstehen. Die Datenanalyse zeigt, dass es in Periode 6 einen "ungewöhnlichen" Messwert gibt, obwohl er innerhalb der + -3 Sigma-Grenzen liegt, was darauf hindeutet, dass die DGF nicht gehalten hat. Durch die Demaskierung des Inlier / Outlier können wir Dinge über die Daten preisgeben. Wir stellen auch fest, dass der Mittelwert nicht der erwartete Wert ist. Diese Idee erstreckt sich leicht auf die Erkennung von mittleren Verschiebungen und / oder lokalen Zeittrends, die vor der Analyse der Daten möglicherweise unbekannt waren (Hypothesengenerierung). Nun ist es durchaus möglich, dass die nächsten 10 Messwerte ebenfalls 1,9,1,9 sind, 1,5,1,9,1,9, was darauf hindeutet, dass die "5" nicht unbedingt ungünstig ist. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. 9 deutet darauf hin, dass die "5" nicht unbedingt ungünstig ist. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. 9 deutet darauf hin, dass die "5" nicht unbedingt ungünstig ist. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. ist nicht unbedingt ungünstig. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. ist nicht unbedingt ungünstig. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. Wenn wir einen Fehlerprozess anhand eines geeigneten Modells beobachten, das nachweislich eine nicht konstante Varianz aufweist, können wir einen der folgenden Naturzustände erkennen: 1) Die Parameter haben sich möglicherweise zu einem bestimmten Zeitpunkt geändert. 2. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. Möglicherweise ist eine gewichtete Analyse (GLS) erforderlich. 3. Möglicherweise müssen die Daten über eine Leistungstransformation transformiert werden. 4. Möglicherweise muss die Varianz der Fehler tatsächlich modelliert werden. Wenn Sie tägliche Daten haben, kann eine gute Analyse ergeben, dass um jeden Feiertag ein Antwortfenster (Lead-, Contemporary- und Lag-Struktur) vorhanden ist, das ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. zeitgleiche und verzögerte Struktur) um jeden Feiertag, die ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen. zeitgleiche und verzögerte Struktur) um jeden Feiertag, die ein konsistentes / vorhersehbares Verhalten widerspiegelt. Möglicherweise können Sie auch feststellen, dass bestimmte Tage im Monat einen signifikanten Effekt haben oder dass Freitage vor einem Montag Feiertag außergewöhnliche Aktivitäten aufweisen.