अपने प्रश्न का उत्तर देने का सबसे आसान तरीका यह समझना है कि डेटा सेट को अक्सर क्रॉस-अनुभागीय , समय श्रृंखला और पैनल के रूप में वर्गीकृत किया जाता है । क्रॉस-अनुभागीय प्रतिगमन क्रॉस-अनुभागीय डेटा सेट के लिए एक उपकरण है। यह वही है जो अधिकांश लोग जानते हैं और एक शब्द के प्रतिगमन के साथ संदर्भित करते हैं । समय श्रृंखला प्रतिगमन कभी-कभी श्रृंखला के लिए लागू होता है, लेकिन समय श्रृंखला विश्लेषण में प्रतिगमन से परे उपकरणों की एक विस्तृत श्रृंखला होती है।
( x)1, वाई1) , ( एक्स2, वाई3) , … , ( X)n, वाईn)एक्समैं, वाईमैंy∼ xy^एक्स
यदि नमूना यादृच्छिक नहीं था, तो प्रतिगमन बिल्कुल भी काम नहीं कर सकता है। उदाहरण के लिए, आपने मॉडल का अनुमान लगाने के लिए पहली कक्षा में केवल लड़कियों को चुना, लेकिन आपको पुरुष 12 वीं ग्रेडर की ऊंचाई का अनुमान लगाना होगा। तो, प्रतिगमन के पार अनुभागीय सेटअप में भी प्रतिगमन के अपने मुद्दे हैं।
एक्सटी, वाईटी( x)1, वाई1) , ( एक्स2, वाई3) , … , ( X)n, वाईn)टीएक्स , वाई
टी का आदेश दिया जाता है। तो आपका नमूना यादृच्छिक नहीं है, और मैंने पहले उल्लेख किया था कि प्रतिगमन ठीक से काम करने के लिए एक यादृच्छिक नमूना पसंद करता है। यह एक गंभीर मसला है। समय श्रृंखला के आंकड़े लगातार बने रहते हैं, उदाहरण के लिए इस महीने आपकी ऊंचाई अगले महीने आपकी ऊंचाई से बहुत अधिक संबंधित है। इन मुद्दों से निपटने के लिए समय श्रृंखला विश्लेषण विकसित किया गया था, इसमें प्रतिगमन तकनीक भी शामिल थी, लेकिन इसे कुछ तरीकों से उपयोग किया जाना है।
तीसरा सामान्य डेटासेट प्रकार एक पैनल है, विशेष रूप से, एक iwth अनुदैर्ध्य डेटा। यहां, आपको कई छात्रों के लिए वजन और ऊंचाई चर के कई स्नैपशॉट मिल सकते हैं। यह डाटासेट की तरह लग सकता है क्रॉस-सेक्शन की तरंगों या टाइम सीरीज़ के सेट की ।
स्वाभाविक रूप से, यह पिछले दो प्रकारों की तुलना में अधिक जटिल हो सकता है। यहां हम पैनल रिग्रेशन का उपयोग करते हैं और लिए विकसित अन्य विशेष तकनीकों का ।
सारांश यह है कि क्रॉस-सेक्शनल रीजनिंग की तुलना में समय श्रृंखला प्रतिगमन को एक अलग उपकरण के रूप में क्यों माना जाता है, यह समय श्रृंखला प्रतिगमन तकनीक की स्वतंत्रता मान्यताओं की बात करते समय अद्वितीय चुनौतियां पेश करती है। विशेष रूप से, इस तथ्य के कारण कि क्रॉस-अनुभागीय विश्लेषण के विपरीत, टिप्पणियों का क्रम मायने रखता है, यह आमतौर पर सभी प्रकार के सहसंबंध और निर्भरता संरचनाओं की ओर जाता है, जो कभी-कभी प्रतिगमन तकनीकों के आवेदन को अमान्य कर सकते हैं। आपको निर्भरता से निपटना होगा, और यह ठीक उसी समय है जब श्रृंखला विश्लेषण अच्छा है।
संपत्ति की कीमतों की भविष्यवाणी
इसके अलावा, आप शेयर बाजारों और सामान्य रूप से संपत्ति की कीमतों के बारे में एक आम गलत धारणा को दोहरा रहे हैं, कि उनकी भविष्यवाणी नहीं की जा सकती है। यह कथन सत्य होना बहुत सामान्य है। यह सच है कि आप AAPL के अगले टिक का सटीक अनुमान नहीं लगा सकते हैं। हालाँकि, यह एक बहुत ही संकीर्ण समस्या है। यदि आप अपना नेट व्यापक डालते हैं, तो आपको सभी प्रकार के पूर्वानुमान (और विशेष रूप से समय श्रृंखला विश्लेषण) के लिए पैसे का उपयोग करने के लिए बहुत सारे अवसर मिलेंगे। सांख्यिकीय मध्यस्थता ऐसा ही एक क्षेत्र है।
अब, परिसंपत्ति की कीमतें निकट भविष्य में भविष्यवाणी करना कठिन है, इस तथ्य के कारण है कि मूल्य परिवर्तन का एक बड़ा घटक नई जानकारी है। वास्तव में नई जानकारी जो अतीत से वास्तविक रूप से विकसित नहीं हो सकती है, परिभाषा के अनुसार भविष्यवाणी करना असंभव है। हालांकि, यह एक आदर्श मॉडल है, और बहुत सारे लोग तर्क देंगे कि विसंगतियां मौजूद हैं जो राज्य की दृढ़ता के लिए अनुमति देती हैं। इसका मतलब है कि मूल्य परिवर्तन के हिस्से को अतीत द्वारा समझाया जा सकता है। ऐसे मामलों में समय श्रृंखला विश्लेषण काफी उपयुक्त है क्योंकि यह दृढ़ता के साथ व्यवहार करता है। यह पुराने से नए को अलग करता है, नए को भविष्यवाणी करना असंभव है, लेकिन पुराने को अतीत से भविष्य में खींच लिया जाता है। यदि आप थोड़ा सा भी समझा सकते हैं, तो वित्त में इसका मतलब है कि आप हो सकते हैंपैसा बनाने में सक्षम हो। जब तक इस तरह के पूर्वानुमान पर बनाई गई रणनीति की कीमत इसके द्वारा उत्पन्न आय को कवर करती है।
अंत में, 2013 में अर्थशास्त्र के नोबेल पुरस्कार पर एक नज़र डालें : "अगले तीन से पांच वर्षों में, लंबी अवधि में इन कीमतों के व्यापक पाठ्यक्रम की भविष्यवाणी करना काफी संभव है।" शिलर के नोबेल व्याख्यान पर एक नज़र डालें , वह संपत्ति की कीमतों के पूर्वानुमान की चर्चा करता है।