Se si dispone di dati cronologici i dati della serie ietime, allora ci sono "noti" e in attesa di essere scoperti sono gli "sconosciuti". Ad esempio se si dispone di una sequenza di punti dati per 10 periodi come 1,9,1,9,1,5,1,9,1,9, in base a questo campione ci si può ragionevolmente aspettare 1,9,1,9 , ... sorgere in futuro. Ciò che l'analisi dei dati rivela è che esiste una lettura "insolita" al periodo 6 anche se rientra nei limiti di + -3 sigma, suggerendo che il DGF non ha tenuto. Smascherare l'Inlier / Outlier ci permette di rivelare cose sui dati. Notiamo inoltre che il valore medio non è il valore atteso. Questa idea si estende facilmente al rilevamento di turni medi e / o tendenze dell'ora locale che potrebbero essere state sconosciute prima dell'analisi dei dati (generazione di ipotesi). Ora è del tutto possibile che le prossime 10 letture siano anche 1,9,1,9, 1,5,1,9,1,9 suggerendo che il "5" non è necessariamente spiacevole. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. 9 suggerendo che il "5" non è necessariamente spiacevole. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. 9 suggerendo che il "5" non è necessariamente spiacevole. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. non è necessariamente spiacevole. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. non è necessariamente spiacevole. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. Se osserviamo un processo di errore da un modello adatto che presenta una varianza non costante dimostrabile, potremmo rivelare uno dei seguenti stati di natura: 1) i parametri potrebbero essere cambiati in un determinato momento; 2. Potrebbe essere necessaria un'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. Potrebbe essere necessaria l'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. Potrebbe essere necessaria l'analisi ponderata (GLS); 3. Potrebbe essere necessario trasformare i dati tramite una trasformazione di potenza; 4. Potrebbe essere necessario modellare effettivamente la varianza degli errori. Se si dispone di dati giornalieri, una buona analisi potrebbe rivelare che esiste una finestra di risposta (lead, contemporanea e struttura di ritardo) intorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. struttura contemporanea e di ritardo) attorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale. struttura contemporanea e di ritardo) attorno a ogni festività che riflette un comportamento coerente / prevedibile. Potresti anche essere in grado di rivelare che determinati giorni del mese hanno un effetto significativo o che il venerdì prima di una festività del lunedì ha un'attività eccezionale.