Supponiamo che tu sia un ricercatore, un data scientist o un analista e che tu abbia dei dati di serie temporali che vuoi capire cosa li influenza. Puoi caricarli su Likely Spurious e l'applicazione li analizzerà confrontandoli con oltre 1 milione di dataset, composti da serie economiche, ngram di notizie, ngram di libri, salute e meteo. Utilizziamo processi di modellazione causale classica e avanzata, tenendo conto di fattori di confusione come popolazione, inflazione e altri schemi che sono cause comuni di associazioni spurie. L'output è un elenco di serie candidate che possono influenzare la tua serie temporale o almeno fornire potere predittivo. Ma questi non sono gli unici casi d'uso. Forniamo anche indicatori per la cointegrazione o, se hai bisogno di una serie proxy misurata a una frequenza più alta, l'analisi può solitamente aiutare con questo. Anche se Likely Spurious non ti fornisce i dati, forniamo link alle fonti. Sebbene non sia richiesto fornire un nome descrittivo della serie, se lo fai, utilizzeremo l'IA generativa per fornire candidati per eventi che potrebbero aver causato shock nella tua serie, come nuove regolamentazioni, problemi nella catena di approvvigionamento e fluttuazioni di mercato. Quindi, quando sei pronto per iniziare la tua ricerca sulle serie temporali e hai bisogno di un po' di ispirazione, carica i tuoi dati e nel giro di poche ore avrai un elenco di variabili potenziali per la modellazione. Ma ricorda, i risultati sono probabilmente spurie.