sons dataStory

ARIMA(Autoregressive Integrated Moving Average) 비정상 시계열 데이터를 분석하여 미래 값을 예측하는데 효과적이며 추세 및 계절성 패턴을 내재적으로 처리할 수 있다는 장점이 있습니다. 3가지 구성 AR 모형: 과거 p시점까지 자신의 값에 의존한다고 가정, 차수 p를 결정 I(Integrated): 비정상을 정상으로 만들기 위해 차분을 하는 횟수(d)를 결정 MA 모형: 현재 시점의 예측오차가 과거 q 시점 까지의 예측오차에 의존한다고 가정 , 차수 q를 결정 각 모형에서의 차수를 인수로 ARIMA(p, d, q) 모형을 생성 ARIMA 모형은 차분을 통해 비정상을 정상시계열로 변환하고 AR 및 MA 성분으로 시계열 데이터의 고유한 패턴(자기상관성, 과거오차의 영향)을 모델링합니다. 모형 구축단계 정상성확인 : 비정상인 경우 차분을 통해 정상화합니다. 차수 p,d,q를 결정 (auto_arima와 같은 자동 차수 결정함수를 활용할 수 있음) ARIMA 모형 추정 잔차분석 등을 통해 모형의 적합성을 평가, 잔차 백색잡음(평균이 0, 일정한 분산으로 자시 상관이 없음)의 성질을 가지는지를 확인 ACF, PACF, 히스토그램, QQ 플롯 등을 통해 확인할 수 있음 Ljung-Box test과 같은 통계적 검정을 사용하여 잔차에 자기 상관 검정 예측 이상치 및 예측치 못한 이벤트에 의해 예측성능이 저하될 수 있음 과거패턴을 기반으로 함으로서 장기예측의 정확도는 떨어질 수 있음 명시적인 계절성을 다루는데 한계가 있음. 계절성 ARIMA(SARIMA) 모형 사용 정상성 검정 데이터의 추세가 없음 ACF 플롯은 빠르게 0으로 수렴하는 형태 단위근 검정(통계적 검정) ADF (Augmented Dickey-Fuller) 검정, KPSS (Kwiatkowski-Phillips-Schmidt-Shin) 검정 등 p, d, q의 특성 데이터의 정상화를 위해 차분하는 횟수...