Likely Spurious

Nous utilisons des processus de modélisation causale classiques et avancés, qui tiennent compte de facteurs de confusion tels que la population, l'inflation et d'autres modèles qui sont à l'origine de fausses associations.

Le résultat est une liste de séries candidates susceptibles d'influencer tes séries chronologiques ou du moins de fournir un pouvoir prédictif. Mais ce ne sont pas les seuls cas d'utilisation. Nous fournissons également des indicateurs pour la cointégration ou, si tu as besoin d'une série proxy mesurée à une fréquence plus élevée, l'analyse peut généralement t'y aider. Bien que Likely Spurious ne te fournisse pas de données, nous proposons des liens vers les sources.

Bien qu'il ne soit pas obligatoire de fournir un nom descriptif de la série, si tu le fais, nous utiliserons l'IA générative pour proposer des candidats aux événements qui ont pu bouleverser ta série, tels que les nouvelles réglementations, les problèmes de chaîne d'approvisionnement et les fluctuations du marché.

Ainsi, lorsque tu seras prête à commencer tes recherches sur les séries chronologiques et que tu auras trouvé de l'inspiration, téléchargeras tes données et, en quelques heures, tu auras une liste de variables potentielles à modéliser. Mais n'oublie pas que les résultats sont probablement faux.