Identifying the factors of China's seasonal retail sales of consumer goods using a data grouping approach–based GRA method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Seasonal fluctuation interference often affects the relational analysis of economic time series. The main purpose of this paper is to propose a new grey relational model for relational analysis of seasonal time series and apply it to identify and eliminate the influence of seasonal fluctuation of retail sales of consumer goods in China. Design/methodology/approach First, the whole quarterly time series is divided into four groups by data grouping method. Each group only contains the time series data in the same quarter. Then, the new series of four-quarters are used to establish the grey correlation model and calculate its correlation coefficient. Finally, the correlation degree of factors in each group of data was calculated and sorted to determine its importance. Findings The data grouping method can effectively reflect the correlation between time series in different quarters and eliminate the influence of seasonal fluctuation. Practical implications In this paper, the main factors influencing the quarterly fluctuations of retail sales of consumer goods in China are explored by using the grouped grey correlation model. The results show that the main factors are different from quarter to quarter: in the first quarter, the main factors are money supply, tax and per capita disposable income of rural residents. In the second quarter are money supply, fiscal expenditure and tax. In the third quarter are money supply, fiscal expenditure and per capita disposable income of rural residents. In the fourth quarter are money supply, fiscal expenditure and tax. Originality/value This paper successfully realizes the application of grey relational model in quarterly time series and extends the applicable scope of grey relational model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle