Szereg czasowy

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Szereg czasowy?

Szereg czasowy to obserwacje uporządkowane w czasie, zwykle z autokorelacją, trendem i sezonowością.

Zastosowanie, warunki i dobre praktyki

W szeregu czasowym położenie obserwacji w czasie jest częścią informacji. Trend, sezonowość i autokorelacja sprawiają, że standardowy model niezależnych reszt bywa niewłaściwy. Analizę należy opierać na osi czasu, częstotliwości pomiaru i zmianach strukturalnych, a prognozy sprawdzać na późniejszym okresie, nie na losowo wydzielonych rekordach. Podział na próbę uczącą i testową musi zachować kolejność chronologiczną; losowe mieszanie obserwacji może przekazać modelowi informację z przyszłości.

Najważniejsze zastosowanie: Stosuj modele uwzględniające zależność czasową i walidację chronologiczną.

Jak poprawnie stosować i interpretować hasło „Szereg czasowy”?

W odniesieniu do pojęcia „Szereg czasowy” trzeba zachować kolejność czasu, częstotliwość pomiaru i możliwe przerwy w szeregu. Przy ocenie hasła „Szereg czasowy” zależność kolejnych obserwacji oznacza, że zwykłe metody dla niezależnych przypadków mogą dawać błędne błędy standardowe. W analizie dotyczącej hasła „Szereg czasowy” przed modelem ocenia się trend, sezonowość, zmianę wariancji i potencjalne punkty strukturalnego przełamania, a transformacje dokumentuje w odwracalny sposób.

Ocena pojęcia „Szereg czasowy” obejmuje autokorelację reszt, stabilność parametrów i jakość prognoz poza próbą. Dla interpretacji hasła „Szereg czasowy” podział uczący–testowy musi zachować chronologię; losowe mieszanie czasu prowadzi do przecieku informacji. W odniesieniu do hasła „Szereg czasowy” w modelach przyczynowych trzeba dodatkowo uzasadnić identyfikację i sprawdzić, czy wspólne trendy nie tworzą pozornej zależności.

Co trzeba opisać w raporcie?

Raport dotyczący „Szereg czasowy” powinien podać zakres dat, częstotliwość, źródło danych, reguły uzupełniania braków, transformacje oraz horyzont prognozy. Przy ocenie hasła „Szereg czasowy” należy opisać dobór modelu, diagnostykę reszt i błąd na danych testowych. W analizie dotyczącej hasła „Szereg czasowy” przedziały prognozy są ważniejsze dla decyzji niż sama prognoza punktowa.

Zakres raportowania dla hasła „Szereg czasowy”: Podaj częstotliwość, braki, transformacje, model, diagnostykę reszt i prognozy z przedziałami.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Miesięczna sprzedaż ma trend i sezonowość świąteczną; losowy podział train/test przecieka przyszłość.

Jak ją zinterpretować: Kolejne obserwacje są uporządkowane i zwykle zależne, więc przypadkowe mieszanie niszczy strukturę danych. Trend, sezonowość i autokorelacja muszą zostać uwzględnione, a prognoza ograniczona do wiarygodnego horyzontu.

Najczęstsza pułapka i granica interpretacji

Zwykła regresja z niezależnymi SE może zaniżać niepewność przy autokorelacji.

Wynik dotyczący „Szereg czasowy” może być wrażliwy na zmianę reżimu, zdarzenie zewnętrzne lub rewizję danych. Dla interpretacji hasła „Szereg czasowy” dobre dopasowanie historyczne nie gwarantuje stabilności procesu w przyszłości ani związku przyczynowego między trendującymi zmiennymi.

Przykład reprodukowalny dla tego hasła

Szereg czasowy: trend, autokorelacja i ARIMA

Przykład zachowuje kolejność czasu, sprawdza autokorelację i dopasowuje jeden model szeregu czasowego.

Dane wejściowe: Kolumny data i y są uporządkowane w czasie ze stałą częstotliwością. Braki i sezonowość wymagają jawnej obsługi.

Co sprawdzić w wyniku: Najpierw pokaż wykres i ACF. Dobór modelu musi uwzględnić stacjonarność, sezonowość i walidację prognoz.

dane <- read.csv("szereg.csv")
y <- ts(dane$y, frequency = 12, start = c(2020, 1))
plot(y)
acf(y, na.action = na.pass)
pacf(y, na.action = na.pass)

# Przykładowy model ARIMA(1,1,1); rząd wybierz na podstawie diagnostyki.
m <- arima(y, order = c(1, 1, 1))
m
tsdiag(m)
predict(m, n.ahead = 12)

Python

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt

df = pd.read_csv("szereg.csv", parse_dates=["data"]).set_index("data")
y = df["y"].asfreq("MS")
y.plot(); plt.show()
plot_acf(y.dropna()); plot_pacf(y.dropna()); plt.show()

m = ARIMA(y, order=(1, 1, 1)).fit()
print(m.summary())
print(m.get_forecast(12).summary_frame())

IBM SPSS Statistics — Syntax

TSET PRINT=DEFAULT NEWVAR=NONE.
DATE Y 2020 M 1.
USE ALL.

ACF VARIABLES=y
 /NOLOG
 /MXAUTO=24.

ARIMA y
 /MODEL=(1,1,1)
 /CONSTANT
 /PRINT=FIT
 /FORECAST=EXACT.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, pandas, Matplotlib, statsmodels. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
Matplotlib: Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
statsmodels: Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 92–96). https://doi.org/10.25080/Majora-92bf1922-011

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{hunter2007matplotlib,
  author = {Hunter, John D.},
  title = {Matplotlib: A 2D Graphics Environment},
  journal = {Computing in Science and Engineering},
  year = {2007},
  volume = {9},
  number = {3},
  pages = {90--95},
  doi = {10.1109/MCSE.2007.55}
}

@inproceedings{seabold2010statsmodels,
  author = {Seabold, Skipper and Perktold, Josef},
  title = {Statsmodels: Econometric and Statistical Modeling with Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  year = {2010},
  pages = {92--96},
  doi = {10.25080/Majora-92bf1922-011}
}

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}

@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}

@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}

@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}