시계열 분석을 사용한 예측

예측은 시계열 분석에서 월별 수익, 주식 성과 또는 실업자 수와 같은 반응 변수를 예측하기 위해 광범위하게 사용되는 방법입니다. 예측은 기존 데이터의 패턴을 바탕으로 이루어집니다. 예를 들어, 창고 관리자는 이전 12개월 간의 주문을 바탕으로 향후 3개월 동안 얼마나 많은 제품을 주문해야 하는지 모형화할 수 있습니다.

추세 분석, 분해 또는 단일 지수 평활과 같이 다양한 시계열 방법을 사용하여 데이터의 패턴을 모형화하고 미래의 해당 패턴을 추정할 수 있습니다. 패턴이 정적(시간이 지남에 따라 변화가 없음)인지 동적(시간이 지남에 따라 변화가 있음)인지 여부, 추세와 계절 성분의 특성, 향후 얼마나 예측값을 구하려고 하는지 등을 고려하여 분석 방법을 선택하십시오. 예측을 실행하기 전에 여러 개의 후보 모형을 데이터에 적합시켜 가장 안정적이고 정확한 모형을 찾으십시오.

단순 예측에서 시간 t에 대한 예측값은 시간 t-1에서의 데이터 값입니다. 이동 평균[MA] 길이를 1로 설정하고 이동 평균[MA]을 사용하여, 또는 가중치를 1로 설정하고 단순 지수 평활을 사용하여 단순 예측을 계산할 수 있습니다. 시계열 모형의 벤치마크를 설정하기 위해 단순 예측을 사용할 수 있습니다. 단순 모형과 다른 방법을 사용하는 모형의 정확도 측도를 비교합니다. 단순 모형의 적합도가 더 높은 경우 단순 모형의 적합도가 더 높고 더 단순하기 때문에 다른 모형을 사용하지 말아야 합니다.

특정 시간 t의 적합치는 시간 t-1의 중심화되지 않은 이동 평균[MA]입니다. 예측은 예측시점에서의 적합치입니다. 10 시간 단위 이후를 예측할 경우 각 시간에 대해 예측된 값은 예측시점에서의 적합치가 됩니다. 이동 평균[MA]을 계산하는 데는 예측시점까지의 데이터가 사용됩니다.

연속적 이동 평균[MA]을 계산하여 선형 이동 평균[MA] 방법을 사용할 수 있습니다. 데이터에 추세가 있는 경우 선형 이동 평균[MA] 방법이 자주 사용됩니다. 먼저 원래 계열의 이동 평균[MA]을 계산하고 저장합니다. 그런 다음 이전에 저장한 열의 이동 평균[MA]을 계산하고 저장하여 두 번째 이동 평균[MA]을 구합니다.

단순 예측에서 시간 t에 대한 예측값은 시간 t - 1에서의 데이터 값입니다. 이동 평균[MA] 길이를 1로 지정한 이동 평균[MA] 절차를 사용하면 단순 예측이 됩니다.

특정 시간 t의 적합치는 시간 t-1의 평활값입니다. 예측값은 예측시점에서의 적합치입니다. 10 시간 단위 이후를 예측할 경우 각 시간에 대해 예측된 값은 예측시점에서의 적합치가 됩니다. 평활에는 예측시점까지의 데이터가 사용됩니다.

단순 예측에서 시간 t에 대한 예측값은 시간 t - 1에서의 데이터 값입니다. 단순 예측값을 제공하려면 가중치를 1로 지정하여 단일 지수 평활을 수행합니다.

이중 지수 평활에서는 수준 및 추세 성분을 사용하여 예측값을 생성합니다. 시간 t인 지점에서 m 기간 이후에 대한 예측값은 다음과 같이 계산됩니다.

L_t + mT_t, 여기서 L_t와 T_t는 각각 시간 t에서의 수준과 추세입니다.

평활에는 예측시점 시간까지의 데이터가 사용됩니다.

Winters의 방법에서는 수준, 추세 및 계절 성분을 사용하여 예측값을 생성합니다. 시간 t인 지점에서 m 기간 이후에 대한 예측값은 다음과 같이 계산됩니다.

L_t + mT_t

여기서 L_t와 T_t는 각각 시간 t에서의 수준과 추세이고, 여기에 지난 해 같은 기간의 계절 성분을 곱합니다(가법 모형의 경우에는 더함).

Winters의 방법에서는 예측시점 시간까지의 데이터를 사용하여 예측값을 생성합니다.