정상성 (Stationarity) 1. 개요 정상성(Stationarity)이란 시계열 데이터의 통계적 특성(평균, 분산 등)이 시간이 경과해도 변하지 않고 일정하게 유지되는 성질을 의미한다. 시계열 분석의 핵심 목적은 과거의 패턴을 통해 미래를 예측하는 것인데, 데이터의 통계적 특성이 시간에 따라 계속 변한다면 과거의 데이터로 학습한 모델을 미래에 적용하…
검색 결과
"ARIMA 모델"에 대한 검색 결과 (총 16개)
계절성 제거 (Seasonal Adjustment) 계절성 제거란 시계열 데이터에서 특정 주기(계절)마다 반복되는 패턴을 제거하여, 데이터의 전반적인 추세(Trend)와 불규칙 변동(Irregular)을 명확히 분석하는 기법입니다. 이를 통해 외부 요인에 의한 일시적인 변동을 배제하고 데이터의 본질적인 흐름을 파악할 수 있습니다. 계절성의 정의 시계열 분석…
차분 차수 (Differencing Order) 1. 개요 차분 차수(Differencing Order)란 시계열 데이터의 비정상성(Non-stationarity)을 제거하여 [[정상성]](Stationarity)을 확보하기 위해, 인접한 시점의 데이터 값들의 차이를 구하는 연산을 반복 수행한 횟수를 의미한다. 시계열 분석에서 정상성이란 시간의 흐름에 따라…
ARIMA (자기회귀 누적 이동평균 모델) 1. 개요 ARIMA(AutoRegressive Integrated Moving Average) 모델은 시계열 데이터의 과거 값과 예측 오차를 이용하여 미래의 값을 예측하는 통계적 분석 모델이다. 특히 비정상 시계열을 차분을 통해 정상 시계열로 변환하여 분석하는 모델이라는 점이 핵심적인 정체성이다. 시계열 데이터가…
SARIMA (Seasonal AutoRegressive Integrated Moving Average) 1. 개요 SARIMA는 시계열 데이터의 추세(Trend)뿐만 아니라 주기적으로 반복되는 계절성(Seasonality) 패턴을 동시에 모델링하기 위해 설계된 통계적 예측 모델이다. 기존의 [[ARIMA]](AutoRegressive Integrated …
계절성 개요 계절성(Seasonality)은 시계열 데이터에서 반복적으로 나타나는 주기적인 패턴을 의미하며, 일반적으로 시간의 경과에 따라 일정한 간격(예: 하루, 주, 월, 계절 등)으로 반복되는 현상입니다. 계절성은 경제, 기상, 소매, 교통, 에너지 수요 등 다양한 분야에서 관찰되며, 시계열 예측 모델링 및 분석에서 중요한 요소로 간주됩니다. 정확한 …
계절성 개요 계절성(Seasonality)은 시간에 따라 반복적으로 발생하는 패턴을 의미하며, 특히 시간 시계열 데이터에서 중요한 특성 중 하나이다. 계절성은 특정 기간(예: 1년, 1개월, 1주일)을 주기로 유사한 패턴이 반복되는 현상을 말한다. 예를 들어, 겨울철에 스위터 판매가 증가하거나, 여름에 아이스크림 소비가 늘어나는 현상은 전형적인 계절성의 예…
잔차 개요 잔차(잔여, Residual)는 통계학 및 데이터과학, 특히 시계열 분석에서 매우 중요한 개념 중 하나이다. 잔차는 관측된 실제 값과 모델이 예측한 값 사이의 차이를 의미하며, 모델의 적합도와 성능을 평가하는 데 핵심적인 역할을 한다. 시계열 데이터는 시간에 따라 순차적으로 수집된 데이터이므로, 잔차를 분석함으로써 모델이 시간에 따른 패턴(예: …
추세 개요 추세(Trend)는 시계열 분석(Time Series Analysis)에서 시간에 따라 관측되는 데이터의 장기적인 방향성 또는 패턴을 의미한다. 일반적으로 추세는 데이터가 일정한 방향으로 증가하거나 감소하는 경향을 나타내며, 시계열 데이터의 중요한 구성 요소 중 하나로 간주된다. 시계열 데이터는 일반적으로 추세(Trend), 계절성(Seasona…
Time Series Cross-ValidationTime Series Cross-Validation(시계 교차 검증은 시계열 데이터 특화된 모 평가 기법, 일반적인 교차 검증(Cross-Validation) 방식이 가정하는의 독립성 동일 분포(i.d.) 조건이 시계열 데이터에서는 성립하지 않기 때문에발된 방법이다. 시계열 데이터는 시간 순에 따라 관측값이…
ACF 개요 ACF(Autorrelation Function, 자기관함수)는 시계열 분석에서 중요한 개념 중 하나로, 한 시계열 데이터 내에서 서로 다른 시점의 관측값 사이의 상관관계 측정하는 함수입니다 시계열 데이터는 시간에 따라 순차적으로 수집된 데이터이므로, 현재과 과거의 사이에 일정한 관계가 존재할 수 있으며, 이러한 관계를 수치적으로 분석하는 데 …
ACF 플롯 개요 ACF 플롯utocorrelation Function Plot), 즉자기상관 함수 플롯은 시계열 분석에서 핵심적인 시각화 도구 중 하나입니다. 이 플롯은 시계열의 각 시점 간 상관관계를 나타내며, 특히 과거 관측값이 현재 관측값에 어떤 영향을 미치는지를 파악하는 데 사용됩니다. ACF 플롯은 시계열 모델링, 특히 ARIMA(Autoregr…
Forecasting: Principles and Practice 개요 Forecasting: Principles and(이하 F)는 예측 분석의 기에서 고급 기법까지를 체계적으로 다루는 대적인 데이터과학 서적 중 하나로, 특히 시계열 예측(Time Series Forecasting) 분야에서 널리 활용되는 오픈 액세스(Open Access) 교재입니다. …
시계열 예측 개요 시계열 예측(Time Series Forecasting)은 시간에 따라 순차적으로 수집된 데이터를 기반으로 미래의 값을 예하는 데이터 과학의 핵심법 중 하나입니다. 이법은 경제표, 주가,상 데이터, 판매량 웹 트래픽 등 시간의 흐름에 따라 변화하는 다양한 현상에 적용되며, 기업의 전략 수립, 자원 배분, 리스크 관리 등에 중요한 역할을 합…
필터 개요 필터는 데이터 과학에서 중요한 역할을 하는 기술로, 원치 않는 정보를 제거하거나 특정 조건에 부합하는 데이터만 추출하는 과정을 의미합니다. 이는 데이터 정제, 특성 선택, 신호 처리 등 다양한 분야에서 활용되며, 분석의 정확도와 효율성을 높이는 데 기여합니다. 필터는 단순한 수학적 연산부터 복잡한 머신러닝 모델까지 다양한 형태로 구현됩니다. 필터…
시계열 데이터 포인트 개요/소개 시계열 데이터 포인트는 특정 시간에 대한 측정값을 나타내는 데이터의 단위입니다. 이는 시간에 따라 변화하는 현상을 분석하기 위해 사용되며, 금융, 기상, 의료 등 다양한 분야에서 중요한 역할을 합니다. 시계열 데이터 포인트는 순서를 가지며, 시간 간격이 일정하거나 불규칙할 수 있습니다. 본 문서에서는 시계열 데이터 포인트의 …