이 항목의 내용
길이
시계열의 관측치 수입니다.
α(수준)
α는 평활 추정치의 수준 성분에 사용되는 가중치입니다. α는 관측치의 이동 평균[MA]과 유사합니다. 가중치는 각 성분이 현재 조건에 반응하는 방식을 정의하여 평활의 양을 조정합니다. 가중치가 낮을수록 최근 데이터에 가중치가 작게 부여됩니다. 가중치가 클수록 최근 데이터에 가중치가 크게 부여됩니다. 수준 성분에 대한 가중치를 조정하면 일반적으로 정확도 측도가 개선될 확률이 가장 높습니다. 수준 가중치를 필수 값에서 조정한 후 다른 가중치를 변경하면 일반적으로 미치는 영향이 작습니다.
γ(추세)
가중치가 높을수록 최근 데이터에 더 영향을 미치므로 예측값(녹색)이 데이터의 끝(검은색)에서 하향 추세를 따릅니다.
더 높은 추세 가중치
가중치가 낮을수록 최근 데이터에 영향을 덜 미치므로 예측값(녹색)이 데이터의 끝(검은색)에서 전반적인 상향 추세를 따릅니다.
더 낮은 추세 가중치
δ(계절)
δ는 평활 추정치의 계절 성분에 사용되는 가중치입니다. 가중치는 각 성분이 현재 조건에 반응하는 방식을 정의하여 평활의 양을 조정합니다. 가중치가 낮을수록 최근 데이터에 가중치가 작게 부여됩니다. 가중치가 클수록 최근 데이터에 가중치가 크게 부여됩니다.
MAPE
평균 절대 백분율 오차(MAPE)는 정확도를 오차의 백분율로 표시합니다. MAPE는 백분율이기 때문에 다른 정확도 측도 통계량보다 더 쉽게 이해할 수 있습니다. 예를 들어 MAPE가 5이면 예측 값은 평균 5% 벗어납니다.
그러나 모형이 데이터를 잘 적합시키는 것으로 보이더라도 MAPE 값이 아주 큰 경우도 있습니다. 0에 가까운 데이터 값이 있는지 확인하려면 그림을 조사하십시오. MAPE는 절대 오차를 실제 데이터로 나누기 때문에 0에 가까운 값이 있으면 MAPE가 상당히 크게 팽창할 수 있습니다.
해석
다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다. 단일 모형에 3개의 정확도 측도 모두에 대한 가장 낮은 값이 없는 경우 MAPE가 일반적으로 많이 사용되는 측정값입니다.
정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측 값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다.
MAD
평균 절대 편차(MAD)는 데이터와 같은 단위로 정확도를 표시하므로 오차의 양을 판단하는 데 도움이 됩니다. MAD의 경우 MSD에 비해 특이치가 적은 영향을 미칩니다.
해석
다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.
정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.
MSD
평균 제곱 편차(MSD)는 적합 시계열 값의 정확도를 측정합니다. MSD의 경우 MAD에 비해 특이치가 큰 영향을 미칩니다.
해석
다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.
정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.
평활
평활된 데이터는 수준 성분과 계절 성분의 합(가법 모형의 경우) 또는 수준 성분과 계절 성분의 곱(승법 모형의 경우)입니다.
예측
예측값을 적합치라고도 합니다. 예측값은 시간 (t)에서 변수의 점 추정치입니다.
예측값이 관측치와 매우 다른 관측은 비정상적이거나 영향력이 있을 수도 있습니다. 특이치의 원인을 식별해 보십시오. 모든 데이터 입력 또는 측정 오류를 수정하십시오. 비정상적인 일회성 사건과 연관된 데이터 값을 삭제해 보십시오(특수 원인). 그런 다음 분석을 반복하십시오.
오차
오차 값은 잔차라고도 합니다. 오차 값은 관측치와 예측값 간의 차이입니다.
해석
모형이 적절한지 확인하려면 오차 값을 그림으로 표시하십시오. 이 값은 모형이 데이터에 얼마나 잘 적합되는 지에 대한 유용한 정보를 제공합니다. 일반적으로 오차 값은 분명한 패턴이나 비정상적인 값 없이 0 주위에 랜덤하게 분포해야 합니다.
기간
Minitab에서는 사용자가 예측값을 생성하는 기간을 표시합니다. 기간은 예측값의 시간 단위입니다. 기본적으로 예측값은 데이터의 끝에서 시작합니다.
예측
예측값은 시계열 모형에서 얻은 적합치입니다. Minitab에서는 사용자가 지정한 수의 예측값을 표시합니다. 예측값은 데이터의 끝 또는 사용자가 지정한 원점에서 시작됩니다.
해석
지정된 기간 동안 변수를 예측하려면 예측값을 사용합니다. 예를 들어, 창고 관리자는 이전 60개월 간의 주문을 바탕으로 향후 3개월 동안 얼마나 많은 제품을 주문해야 하는지 모형화할 수 있습니다.
예측값이 정확할지 여부를 확인하려면 그림의 적합치 및 예측값을 조사하십시오. 적합치는 특히 계열의 끝에서 데이터를 가깝게 따라야 합니다. 계절적 모형을 사용하는 경우 적합치가 시계열의 끝에서 실제 값과 일치하는지 확인하는 것이 중요합니다. 계절적 패턴이나 추세가 데이터의 끝에서 적합치와 일치하지 않으면 예측값이 덜 정확할 가능성이 있습니다. 이 경우 모형이 계절적 패턴이나 추세의 변화에 적응하도록 더 많은 데이터를 수집하십시오.
모형이 계열의 끝에서 데이터에 적합하면 일반적으로 하나 이상의 전체 계절 주기를 안전하게 예측할 수 있습니다.
하한 및 상한
예측 하한과 예측 상한은 각 예측값에 대한 예측 구간을 생성합니다. 예측 구간은 가능한 예측 값의 범위입니다. 예를 들어, 95% 예측 구간을 사용하면 예측값이 지정된 시간에 예측 구간에 포함된다고 95% 신뢰할 수 있습니다.
Winters의 방법 그림
분해 그림은 관측치 대 시간을 표시합니다. 이 그림에는 평활 절차에서 계산된 적합치, 예측 값, 평활 상수 및 정확도 측도가 포함됩니다. 적합치 대신 평활값을 표시할 수도 있습니다.
해석
- 모형이 데이터에 적합하면 분해을 수행하고 두 모형을 비교할 수 있습니다.
- 모형이 데이터에 적합하지 않으면 그림에서 계절성이 결여되었는지 조사하십시오. 계절적 패턴이 없으면 다른 시계열 분석을 사용해야 합니다. 자세한 내용은 어떤 시계열 분석을 사용해야 합니까?에서 확인하십시오.
이 그림에서는 적합치가 데이터를 가깝게 따르며, 이는 모형이 데이터에 적합하다는 것을 나타냅니다.
잔차의 히스토그램
잔차의 히스토그램은 모든 관측치에 대한 잔차의 분포를 보여줍니다. 모형이 데이터를 잘 적합시키는 경우, 잔차가 0을 평균으로 랜덤하게 분포해야 합니다. 따라서 히스토그램이 0을 중심으로 거의 대칭이어야 합니다.
잔차의 정규 확률도
잔차의 정규 확률도는 분포가 정규 분포일 때 잔차 대 잔차의 기대값을 표시합니다.
해석
잔차의 정규 확률도를 사용하면 잔차가 정규 분포를 따르는지 여부를 확인할 수 있습니다. 그러나 이 분석에서는 잔차가 정규 분포를 따르지 않아도 됩니다.
S-곡선은 긴 꼬리를 갖는 분포를 의미합니다.
역 S-곡선은 짧은 꼬리를 갖는 분포를 의미합니다.
하향 곡선은 오른쪽으로 치우친 분포를 의미합니다.
선으로부터 멀리 떨어져 있는 몇 개의 점은 특이치를 갖는 분포를 암시합니다.
잔차 대 적합치
잔차 대 적합치 그림은 y-축에 잔차, x-축에 적합치를 표시합니다.
해석
잔차 대 적합치 그림을 사용하면 잔차가 치우치지 않고 분산이 일정한지 여부를 확인할 수 있습니다. 이상적으로는 점들이 식별 가능한 패턴 없이 0의 양쪽에 랜덤하게 분포해야 합니다.
| 패턴 | 패턴이 나타내는 내용 |
|---|---|
| 적합치에 대해 잔차가 부채꼴 모양으로 흩어져 있거나 고르지 않게 퍼져 있음 | 일정하지 않은 분산 |
| 곡선 | 고차 항 누락 |
| 한 점이 0에서 멀리 떨어져 있음 | 특이치 |
잔차에 일정하지 않은 분산이나 패턴이 있으면 예측값이 정확하지 않을 수도 있습니다.
잔차 대 순서
잔차 대 순서 그림은 잔차를 데이터가 수집된 순서대로 표시합니다.
해석
잔차 대 순서 그림을 사용하면 적합치가 관측 기간 동안의 관측치와 비교하여 얼마나 정확한지 확인할 수 있습니다. 점들의 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다. 이상적으로는 그림의 잔차들이 중심선 주위에 랜덤하게 분포해야 합니다.
| 패턴 | 패턴이 나타내는 내용 |
|---|---|
| 일관된 장기 추세 | 모형이 데이터에 적합함 |
| 단기 추세 | 이동 또는 패턴의 변화 |
| 한 점이 다른 점들로부터 멀리 떨어져 있음 | 특이치 |
| 점들의 급격한 이동 | 데이터의 기본 패턴이 변경됨 |
관측치의 순서가 왼쪽에서 오른쪽으로 증가함에 따라 잔차가 규칙적으로 줄어듭니다.
잔차 값이 작은 값(왼쪽 부분)에서 큰 값(오른쪽 부분)으로 갑자기 변경됩니다.
잔차 대 변수
잔차 대 변수 그림은 잔차 대 다른 변수를 표시합니다.
해석
그림을 사용하면 변수가 체계적인 방식으로 반응에 영향을 미치는지 여부를 확인할 수 있습니다. 잔차에 패턴이 존재하면 다른 변수가 반응에 연관됩니다. 이 정보를 다른 연구의 기초로 사용할 수 있습니다.
