시계열 분석
1주차 시계열 평활기법
- 회귀모형과는 달리 다른 변수를 도입하지 않고 자신의 변수의 과거 패턴이 미래에도 계속된다는 가정하에 변수의 과거값을 바탕으로 미래값 예측 (수평, 추세, 계절성)
1. 시계열의 특성(추세, 계절성 등)을 요약하고 시간에 따른 패턴(자기 상관성 등) 분석
2. 시간에 따른 패턴을 바탕으로 모형화하여 미래의 값 예측
- 시점 t에서 시점 t+1 값 예측, k단계 이후 예측
#이동평균법(n개의 데이터 이용, 동일한 가중치)
1. 단순이동평균 : 시계열데이터가 수평적 패턴인 경우 사용
2. 이중이동평균 : 시계열데이터가 선형추세패턴(ex.우상향)을 따르는 경우 사용
예측오차 = 특정 시점에서 다음 시점을 예측하고 다음 시점의 실제값과 비교
평균제곱오차 = MSE, n개 시점에서 예측오차를 산출하는 경우
#지수평활법(전체 데이터 이용, 시간에 따라 다른 가중치, 과거로 갈수록 지수적으로 감소하는 가중치)
1. 단순지수평활 : 수평적 패턴
2. 이중지수평활 : 추세패턴
3. 홀트모형
#계절성 고려 모형
1. 윈터스 모형 : 홀트 모형에 계절성을 추가반영하여 확장
2. 분해법 : 추세와 계절성을 분해한 후 예측시 다시 결합
2주차 ARMA 모형
1. 비정상적 시계열 : 추세, 계절성을 포함*비정상적 시계열은 적절한 변환을 통해 정상적 시계열로 바꿀 수 있다.2. 자기공분산 : 시계열의 시간에 따른 연관 패턴
#자기회귀AR#이동평균MA
AR(1)모형
AR(2)모형 - 시차 2변수까지 포함
AR(p)모형 - 시차 p변수까지 포함
MA(1)모형
MA(2)모형
MA(q)모형
ARMA(1,1)모형ARMA(p,q)모형
너무 어려워서 못따라감 .. ㅠ 학부때 이거 어떻게 했냐 .. 다음기회에