In questo articolo, approfondiremo i concetti critici di radici unitarie e stazionarietà. Preparatevi per un’esplorazione del motivo per cui il controllo della stazionarietà è cruciale, cosa sono le radici unitarie e come questi elementi svolgono un ruolo chiave nel nostro arsenale di manutenzione predittiva. Domineremo anche il caos!
Questo articolo fa parte della serie Comprendere la manutenzione predittiva. Ho intenzione di creare l’intera serie in uno stile simile.
Controlla tutta la serie in questo link. Assicurati di non perdere i nuovi articoli seguendomi.
Ti sei mai chiesto se i tuoi dati stanno giocando a nascondino? Andiamo al sodo: stiamo parlando di stazionarietà. Non è solo un termine di fantasia; è la salsa segreta per capire quanto siano realmente stabili e prevedibili i tuoi dati dipendenti dal tempo. Allacciate le cinture mentre esploriamo perché la stazionarietà dei dati è il punto di svolta nella modellazione e nelle previsioni.
Regole chiave della stazionarietà
- Media costante: Una serie temporale stazionaria dovrebbe mostrare un valore medio costante nel tempo. Se la media cambia, suggerisce un cambiamento nel comportamento sottostante del processo.
- Varianza costante: la varianza delle serie temporali, che rappresentano la diffusione dei dati, dovrebbe rimanere costante. Le fluttuazioni della varianza possono rendere difficile fare previsioni accurate.
- Autocorrelazione costante: L’autocorrelazione misura la correlazione tra una serie temporale e i suoi valori ritardati. In una serie stazionaria, la forza e il modello di autocorrelazione dovrebbero essere coerenti ovunque.
Appena “stabilità” delle proprietà statistiche.
Perché la stazionarietà è un grosso problema
Immagina i tuoi modelli predittivi come navigatori esperti che navigano nel mare dei dati. Per navigare senza intoppi preferiscono acque calme: è qui che entra in gioco la stazionarietà. I dati stazionari sono come un sereno…
Fonte: towardsdatascience.com
