Модел при прогнозиране на времеви редове

В областта на анализа на времевите редове моделът с авторегресивна интегрирана подвижна средна (ARIMA) е работен кон за правене на прогнози. Това е разширение на модела на авторегресивната подвижна средна (ARMA) и включва идеята за интеграция, за да направи модела приложим към нестационарни данни. Макар и популярен, ARIMA понякога се разбира погрешно. Тази статия има за цел да демистифицира модела ARIMA, да обясни неговите компоненти и да обсъди неговите предимства и ограничения.

Основи на анализа на времеви редове

Преди да проучите тънкостите на модела ARIMA, трябва да сте добре запознати с основите на анализа на времеви редове. Данните от времеви редове са поредица от наблюдения, събрани или записани на постоянен интервал от време. Това може да бъде всичко - от дневната температура на града до годишните приходи на компания. Целта на анализирането на данни от времеви редове е многостранна и включва няколко ключови аспекта:

Компоненти на времеви редове

  1. Тенденция: Това е общата посока, в която се движат данните за дълъг период от време. Една тенденция може да бъде възходяща, низходяща или дори хоризонтална.
  2. Сезонност: Това са модели, които се повтарят на известни интервали. Например продажбите на сладолед може да показват сезонност, като се увеличават всяко лято.
  3. Цикли: Това са дългосрочни модели, които възникват и често са по-трудни за идентифициране. Те не са с фиксирана честота и обикновено се дължат на икономически условия.
  4. Шум: Това се отнася до произволните колебания в данните, които не се обясняват с тенденцията, сезонността или циклите. Шумът по същество е „фоновото бърборене“ във вашите данни.

Цели на анализа на времевите редове

  • Описателен анализ: Разбиране на миналото поведение чрез идентифициране на модели, тенденции или аномалии в данните.
  • Прогнозиране: Използване на исторически данни за прогнозиране на бъдещи стойности. Това често е основната цел и тук се намесват модели като ARIMA.
  • Извод: Разбиране на основните...