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
"statsmodels"에 대한 검색 결과 (총 27개)
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…
다중 가설 검정 (Multiple Hypothesis Testing) 다중 가설 검정이란 하나의 데이터셋에 대해 여러 개의 통계적 가설 검정을 동시에 수행하는 분석 과정을 의미한다. 이는 개별 검정의 유의수준을 유지할 경우 전체 오류율이 증가하는 문제를 야기하며, 이를 해결하기 위한 통계적 보정 기법을 포함한다. 개요 단일 가설 검정에서는 설정한 유의수준(…
SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors) 1. 개요 SARIMAX는 시계열 데이터의 자기상관성, 추세, 계절성뿐만 아니라 외부 요인(외생 변수)까지 동시에 고려하여 미래 값을 예측하는 통계적 시계열 분석 모델이다. 이 모델은 전통적인 ARIMA(…
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 …
반복 측정 (Repeated Measures) 1. 개요 반복 측정(Repeated Measures)이란 동일한 실험 대상(Subject)에 대하여 서로 다른 조건이나 시간적 간격을 두고 동일한 변수를 두 번 이상 측정하는 연구 설계 방식이다. 일반적인 독립 표본 설계(Between-subjects design)가 서로 다른 집단 간의 평균 차이를 비교하는…
조정 결정계수 (Adjusted R-squared) 조정 결정계수(Adjusted R-squared)는 회귀 분석에서 모델의 설명력을 나타내는 결정계수( )가 독립 변수의 개수가 증가함에 따라 무조건적으로 상승하는 단점을 보완하기 위해, 변수 개수에 따른 페널티를 부여하여 계산한 지표이다. 1. 개요 회귀 분석의 목적은 독립 변수( )들이 종속 변수( )의…
불규칙성 (시계열 분석) 1. 개요 본 문서는 시계열 분석(Time Series Analysis) 관점에서의 불규칙성(Irregularity)을 다룬다. 시계열 분석에서 불규칙성이란 데이터의 전체적인 흐름을 결정하는 추세(Trend)나 일정한 주기로 반복되는 계절성(Seasonality)으로 설명되지 않는 무작위적인 변동 성분을 의미한다. 시계열 데이터는 …
검정력 분석 (Power Analysis) 검정력 분석(Power Analysis)은 통계적 가설 검정에서 표본의 크기를 결정하거나, 주어진 표본 크기에서 특정 효과 크기를 탐지할 수 있는 능력을 평가하는 통계적 방법론입니다. 이는 실험 설계 단계에서 연구의 타당성을 확보하고, 제2종 오류(Type II error)의 발생 확률을 최소화하기 위해 필수적으로…
검정력 (Power) 검정력(檢定力, Statistical Power)은 통계학, 특히 가설 검정(Hypothesis Testing)에서 매우 중요한 개념으로, 귀무가설( )이 실제로 거짓일 때 이를 올바르게 기각하고 대립가설( )을 채택할 확률을 의미합니다. 즉, 실험이나 조사 설계 단계에서 "실제로 효과가 존재할 때, 그 효과를 발견할 수 있는 능력"을…
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…
시계열 분석 개요 시계열 분석(Time Series Analysis)은 시간에 따라 순차적으로 수집된 데이터를 분석하여 패턴, 추세, 주기성, 그리고 미래의 값을 예측하는 통계적 방법론입니다. 이 기법은 경제, 금융, 기상, 의학, 공학, 물류 등 다양한 분야에서 광범위하게 활용되며, 데이터 과학 및 인공지능 분야에서도 중요한 위치를 차지하고 있습니다. 시…
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: …
시계열 분석 개요 시계열 분석(Time에 따라 순차적으로 수집된 데이터를 분석하여 패턴을 파악하고 미래의 값을 예측하는 통계적 방법론이다. 이 기법은 경제, 금융, 기상, 의료, 제조, IoT 등 다양한 분야에서 널리 활용되며, 데이터의 시간적 순서를 핵심 요소로 삼는다. 일반적인 통계 분석과 달리, 시계열 데이터는 시간 순서에 따라 데이터 포인트 간의 상…
생물 통계 개요 생물 통계(Biostatistics)는 생물학, 의학, 공중보건, 임상 연구 등 생명과학 분야에서 데이터를 수집, 분석, 해석하기 위해 통계학의 원리와 방법을 적용하는 학문입니다. 생물 통계는 실험 설계, 관찰 연구, 유전체 분석, 임상 시험, 역학 조사 등 다양한 생명과학적 질문에 대한 과학적 근거를 제공하는 데 핵심적인 역할을 합니다. …
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…
순서형 로스틱 회귀 개요순서형 로지스 회귀(Ordinal Regression)는 종속(dependent variable)가 서형 범주(ordinal categorical)일 때 사용하는 통계적 회귀석 기법이다. 일반적인 로지스틱 회귀가 이진(binary) 또는 명목형(nominal) 범주형 변수를 예측하는 데 사용된다면, 순서형 로지스틱 회귀는 순서가 있는…