Statistics33 TSA - 7. 그룹회귀 # Grouped time series : 범주형 속성을 기준으로 나뉜 시계열 데이터셋의 특성을 활용해서 예측할 수 있다. Hierarchical time series (coherent prediction) : 상하 계층관계 존재 Grouped time series : 상하 계층관계가 여러개 존재 (=교차관계) 행렬표현 : y = SP*yh (S: summation, P : disaggregation Proportion, yh : base forecast) 1) bottom-up 접근법 계산법 밑바닥 수준에서 각 시계열에 대해 기준 예측값을 먼저 계산. 상위 구조의 모든 시계열에 대해 합산 장단점 구조의 밑바닥 수준에서 예측할 수 있다. 합산 때문에 정보 손실이 일어나지 않는다는 것입니다. 밑바닥 수준의.. 2021. 1. 22. TSA - 6. 벡터자기회귀 1) 개념 bi-directional relationship (feedback relationship ; y - x) : 모든 변수를 “내생적(endogenous)”으로 다룬다 모든 변수를 예측변수로 하는 식이 존재함(변수 k개 => 예측식 k개) 상수와 모든 변수의 시차 변수(lag;k개)로 구성됨 2) 장점 및 추가 활용법 분명한 해석이 필요 없이 '관련된 변수의 모임'을 예측할 때; 그랑거 인과율 검정(Granger causality)에 기초해, 한 변수가 다른 한 변수를 예측에 유용한 정도 분석할 때; 충격 반응 분석(impulse response analysis), 한 변수가 다른 한 변수에 미치는 충격반응 정도 분석할 때; 예측 분산 분해를 예측할 때 (다른 변수의 효과가 각 변수의 예측 분산.. 2021. 1. 22. TSA - 5. 동적회귀 동적 회귀 = 일반 선형회귀 + 오차항에 대한 자기회귀(ARIMA) # 동적회귀 종류 1) 확률적 추세 예측기법 : 오차항 ARMA 모델 추세기울기 변동허용 --> 더 큰 불확실성을 허용해서 안전함. 2)확정적 추세 예측기법 : 오차항 ARIMA 모델 (차분 적용했다는 뜻) 추세의 기울기가 시간에 따라서 변하지 않을 것이라는 가정 # 동적 자기회귀 - ARMAX, ARIMAX : ARMA(ARIMA) with an exogenous variablethe, vector ARIMA - 출처 : 365datascience.com/arimax/ # 동적조화회귀 예측기법 1) 장단점 어떠한 길이의 계절성도 가능합니다; --> : ARIMA와 ETS 모델은 24이하의 짧은 계절주기를 모델링하는데 적합하다. 2 이상.. 2021. 1. 22. TSA - 4. 자기회귀 # Unstationary Time series 정상화 방법 로그 : 분산변화 차분(빼기) : mth 차분 - 계절성 평균변화, 1차 차분 - 평균변화 (level 변화) 확인방법 : ACF가 0근처에 벗어남 # Stataionary Time series 1. 서로 다른 시간의 시계열값에 영향 주지 않음 고정된 길이(진폭/높이,파장/너비)를 갖지 않으면 주기도 예측불가능하다 장기적으로 볼 때 예측할 수 있는 패턴이 없음 2. 확인방법 ACF가 0근처에 분포함 KPSS Unit Root Test - H0 : 데이터에 정상성이 나타난다 3. 자기회귀 예측기법 : 자기 자신(변수)의 과거 값의 선형 조합을 이용하여 y예측 해석 베타 = 0 - 랜덤 베타 = 1 , 절편 = 0 - 랜덤워크 베타 = 1 , 절편.. 2021. 1. 22. 이전 1 2 3 4 5 6 7 8 9 다음