GraphPad
2.21K subscribers
483 photos
34 videos
36 files
292 links
Download Telegram
مدل سری زمانی شاخص تفاضلی در هر روز سال ۹۹
@GraphPad
پیش بینی مدل برای روز چهارشنبه 4 تیرماه 99 هر چند همچنان بالا بودن درصد رشد شاخص کل نسبت به شاخص هم وزن را نشان می‌دهد اما تا حدی خطا دارد. 👇
پیش‌بینی شاخص تفاضلی برای روز چهارشنبه ۴ تیر ۹۹
@GraphPad
مدل بر این نظر بوده است که شاخص کل باید 1.09 درصد بزرگتر از شاخص هم وزن باشد اما در واقعیت شاخص کل 1.68 درصد از شاخص هم وزن بزرگتر شده است. به بیان ساده‌تر رفتار افزایشی شاخص کل و توجه به نمادهای شاخص ساز در این روز، بیشتر از روند گذشته مدل بوده است.
واقعیت و پیش بینی شاخص تفاضلی برای روز ۴ تیر ۹۹
@GraphPad
اینکه در ادامه چه خواهد شد و آیا همچنان شاخص تفاضلی مثبت خواهد ماند و نمادهای بزرگ بازار رشد بیشتری نسبت به نمادهای کوچک خواهند داشت، در آینده مشخص خواهد شد. مطلب آن است که حداقل برای آینده نزدیک پاسخ مثبت است و بر مبنای مدل بالا همچنان شاخص تفاضلی مثبت خواهد بود و رفتار شاخص کل نسبت به شاخص هم وزن بهتر خواهد ماند.
GraphPad
پنجره جمعیتی ایران، وضعیت ساختار سنی جمعیت و پیش‌بینی آینده @GraphPad
🔆 دی ماه سال ۱۳۹۳ در اولین کنفرانس اقتصاد ایران در سالن اجلاس سران، مقاله ای با عنوان
تحلیل نرخ مشارکت اقتصادی در بازار کار ایران
ارایه دادم. مقاله در اردیبهشت سال ۱۳۹۶ توسط وزارت کار، در نشریه مدیریت بازار کار ایران، دوباره منتشر شد. مقاله حدود ۵۰ صفحه بود و به بررسی نرخ مشارکت اقتصادی ایران از سال ۱۳۳۵ می‌پرداخت. بخش هایی از مقاله به مباحث جمعیتی، مفهوم پنجره جمعیتی و پیش بینی‌های آینده کشور می‌پرداخت.
بخش هایی از مقاله نیز به مفهوم درآمدهای بدون کار اشاره می‌کرد.
متن مقاله را برایتان قرار داده‌ام، دوست داشتید ببینید. 👇
GraphPad
اینکه در ادامه چه خواهد شد و آیا همچنان شاخص تفاضلی مثبت خواهد ماند و نمادهای بزرگ بازار رشد بیشتری نسبت به نمادهای کوچک خواهند داشت، در آینده مشخص خواهد شد. مطلب آن است که حداقل برای آینده نزدیک پاسخ مثبت است و بر مبنای مدل بالا همچنان شاخص تفاضلی مثبت خواهد…
🔆 ابتدا یکبار دیگر متن بالا را که روز پنجشنبه هفته گذشته نوشتم، مرور کنید. 👆

امروز شنبه ۷ تیر ۹۹ هم شاخص تفاضلی به اندازه ۱.۰۸ واحد مثبت بود.
اما عدد آن به نسبت روز چهارشنبه ۴ تیرماه ۹۹ کاهش داشته است.
برای روز چهارشنبه شاخص تفاضلی ۱.۶۸ شده بود و مدل ما برای آن روز عدد ۱.۰۹ را پیش‌بینی کرده بود. یعنی تقریباً به اندازه شاخص تفاضلی همین امروز.
دیدگاه مدل آن بود که شاخص تفاضلی بیش از حد بالا است و باید کاهش یابد، امروز این اتفاق افتاد.
احتمالا و بر مبنای مدل، کم کم باید خود را برای عدد منفی در شاخص تفاضلی آماده کنیم. مدل سری زمانی ما آهسته آهسته چنین چیزی میگوید. البته آرام میگویم، آهسته آهسته.

🔸تعریف. شاخص تفاضلی، اختلاف بین شاخص کل و هم وزن بود و گفتیم معیاری است برای سنجش توجه بازار به سمت سهام بزرگ یا کوچک. اگر مثبت باشد به معنای توجه بیشتر به نمادهای بزرگ و چنانچه منفی باشد به معنای توجه بیشتر به نمادهای کوچک است. آن را هم ساخته ایم تا سعی کنیم بدانیم چه در روزهای مثبت بازار و چه در روزهای منفی، به کدام سمت توجه کنیم.
🔆 در پاسخ به دوستانی که علاقمند به یادگیری سری زمانی هستند، یک پروژه حل شده Time Series در 30 صفحه نوشته‌ام. 20 فایل دیتا نرم‌افزار Minitab نیز مربوط به همین پروژه است که برایتان قرار داده‌ام. مطالب مورد بررسی به شرح زیر است 👇

🔸 آزمون های همگنی (Homogeneity Tests)

🔸 آزمون توالی (Run Test) 

🔸 آزمون بارتلت (Bartlett Test)

🔸 آزمون من-کندال (Mann-Kendall)

🔸 آزمون ضریب همبستگی پیرسن و اسپیرمن (Pearson & Spearman Coefficient)

🔸 رسم نمودارهای سری زمانی

🔸 جهش در سری و آزمون F

🔸 آزمون کروسکال-والیس (Kruskal - Wallis)

🔸 پیش‌بینی داده‌های سری زمانی

🔸 نرمال بودن داده‌ها

🔸 ایستا بودن داده‌ها

🔸 مدل میانگین متحرک (Moving Average)

🔸 مدل ARIMA و SARIMA

🔸 نمودارهای ACF و PACF

علاقمند بودید و فرصت داشتید آنها را مطالعه کنید. فایل‌ها را می‌توانید مشاهده کنید. 👇
هر چند پیشنهاد میکنم مطالب نرم افزاری را از هلپ خود همان نرم‌افزار، یاد بگیرید.
🔆 Grubbs’ Test
گاهی اوقات در یک مطالعه با اعداد و اندازه‌های متفاوتی روبه‌رو می‌شویم که با سایر اعداد هماهنگی ندارند و اصطلاحاً به آن‌ها داده پرت Outlier Data می‌گوییم. این اعداد به هر دلیلی مثلاً اشتباه سیستمی، اشتباه در اندازه‌گیری، دستکاری داده‌ها و یا بر اثر پدیده‌ای خارج از کنترل به دست آمده‌اند که سایر نتایج را تحت تاثیر خود قرار داده و آنالیز و تحلیل را با مشکل دچار می‌کنند.

تشخیص داده‌های پرت و تصمیم به حذف آن‌ها از موارد با اهمیت در هر مطالعه‌ای به حساب می‌آید.
در نرم‌افزار Minitab آزمونی با نام Grubbs وجود دارد که به فهم ما در شناسایی داده‌های پرت کمک می‌کند. این آزمون را می‌توانیم در مسیر زیر مشاهده کنیم. 👇
Outlier Test
@GraphPad
با انتخاب این آزمون پنجره زیر برای ما باز می‌شود.👇
پنجره آزمون Grubb's در مینیتب
@GraphPad