Jika Anda memiliki data kronologis, seri data seumur hidup maka ada "dikenal" dan menunggu untuk ditemukan adalah "tidak diketahui". Sebagai contoh jika Anda memiliki urutan poin data selama 10 periode seperti 1,9,1,9,1,5,1,9,1,9 maka berdasarkan sampel ini orang bisa berharap 1,9,1,9 , ... muncul di masa depan. Apa yang diungkapkan oleh analisis data adalah bahwa ada pembacaan yang "tidak biasa" pada periode 6 meskipun berada dalam batas + -3 sigma yang menunjukkan bahwa DJP tidak memegang. Membuka kedok Inlier / Outlier memungkinkan kita untuk mengungkapkan hal-hal tentang data. Kami juga mencatat bahwa Nilai Rata-rata bukan Nilai yang Diharapkan. Gagasan ini dengan mudah meluas ke pendeteksian Pergeseran Rata-rata dan / atau Tren Waktu Lokal yang mungkin tidak diketahui sebelum data dianalisis (Pembuatan Hipotesis). Sekarang sangat mungkin bahwa 10 bacaan berikutnya juga 1,9,1,9, 1,5,1,9,1,9 menunjukkan bahwa "5" tidak selalu tidak diinginkan. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian non-konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari sifat berikut ini: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. 9 menyarankan bahwa "5" tidak selalu tidak diinginkan. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. 9 menyarankan bahwa "5" tidak selalu tidak diinginkan. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. belum tentu tidak diinginkan. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. belum tentu tidak diinginkan. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. Jika kita mengamati proses kesalahan dari model yang sesuai yang menunjukkan varian tidak konstan yang dapat dibuktikan, kita mungkin akan mengungkapkan salah satu dari keadaan alam berikut: 1) parameter mungkin telah berubah pada titik waktu tertentu; 2. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. Mungkin ada kebutuhan untuk Analisis Berbobot (GLS); 3. Mungkin ada kebutuhan untuk mengubah data melalui transformasi daya; 4. Mungkin ada kebutuhan untuk benar-benar memodelkan varians kesalahan. Jika Anda memiliki data harian, analisis yang baik dapat mengungkapkan bahwa ada jendela respons (timbal, kontemporer dan struktur lag) di sekitar setiap Hari Libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. kontemporer dan struktur lag) di sekitar hari libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa. kontemporer dan struktur lag) di sekitar hari libur yang mencerminkan perilaku yang konsisten / dapat diprediksi. Anda mungkin juga dapat mengungkapkan bahwa hari-hari tertentu dalam bulan tersebut memiliki efek yang signifikan atau bahwa hari Jumat sebelum liburan Senin memiliki aktivitas luar biasa.