Tímaröðagreining í tölfræði
Tímaraðgreining er grein tölfræðinnar sem rannsakar gögn sem safnað er í röð yfir tíma, svo sem daglega, vikulega, mánaðarlega eða árlega. Ólíkt þversniðsgögnum, sem eru safnað á einum tímapunkti, leggur tímaraðgreining áherslu á gangverk breytinga og mynstra sem þróast með tímanum. Þar sem margar mikilvægar ákvarðanir - í hagfræði, viðskiptum, lýðheilsu, orkumálum og jafnvel loftslagsmálum - eru háðar því að skilja fyrri þróun og spá fyrir um framtíðarþróun, er tímaraðgreining mikilvægt tæki í rannsóknum og framkvæmd.
Einkenni tímaraðagagna
Helsta einkenni tímaraðar er að hún hefur röð sem ekki er hægt að stokka án þess að tapa mikilvægum upplýsingum. Gildi dagsins í dag er venjulega tengt gildi gærdagsins og gildi þessa mánaðar getur verið undir áhrifum af árlegum mynstrum. Þessi tímabundnu tengsl eru kölluð sjálfsfylgni. Ennfremur sýna tímaraðir oft þætti eins og þróun (langtímahreyfingar), árstíðabundin sveiflur (endurteknar mynstur með tímanum), sveiflur (millibilsbylgjur sem eru ekki alltaf reglulegar) og suð eða handahófskenndar villur.
Til dæmis hefur smásölu tilhneigingu til að aukast í kringum hátíðir (árstíðabundin), en hún getur einnig aukist hægt frá ári til árs vegna hagvaxtar (þróun). Sveiflur vegna ófyrirséðra atburða — svo sem truflana á framboði eða breytinga á stefnu — falla undir handahófskennda þáttinn.
Tilgangur tímaraðgreiningar
Almennt séð hefur tímaraðagreining nokkur meginmarkmið. Í fyrsta lagi lýsir hún gagnamynstrum á hnitmiðaðan og upplýsandi hátt, til dæmis með því að aðgreina þróun frá árstíðabundnum sveiflum. Í öðru lagi útskýrir hún ferla gagnamyndunar með tölfræðilegum líkönum, sem gerir okkur kleift að skilja ferlana á bak við breytingar á gildum með tímanum. Í þriðja lagi spáir hún, sem metur framtíðargildi út frá sögulegum mynstrum. Í fjórða lagi greinir hún frávik eða skipulagsbreytingar, svo sem efnahagskreppur, breytingar á markaðshegðun eða biluð mælitæki sem valda frávikum í gögnum.
Fyrstu skrefin: Sjónræn framsetning og könnun
Algengt upphafsskref er að teikna gögnin á móti tíma. Einfaldar sjónrænar framsetningar sýna oft upp- eða niðursveiflur, árstíðabundin mynstur og útlæga þætti. Síðan er framkvæmd tölfræðileg forgreining, svo sem að reikna út hlaupandi meðaltal til að jafna út skammtímasveiflur eða nota tímaraðagreiningu til að aðgreina þróunar-, árstíðabundna og afgangsþætti.
Auk myndrita eru tvö mikilvæg verkfæri í tímaröðarkönnun sjálffylgnifallið (e. autocorrelation function, ACF) og hlutasjálffylgnifallið (e. partial autocorrelation function, PACF). ACF sýnir hversu sterkt sambandið er milli núverandi gildis og gilda við mismunandi töf (t.d. 1 degi fyrr, 2 dögum fyrr og svo framvegis). PACF hjálpar til við að bera kennsl á bein áhrif töf eftir að hafa stjórnað áhrifum minni töfa. Upplýsingar úr ACF og PACF eru mjög gagnlegar til að velja rétta líkanið.
Hugtakið kyrrstæðni
Margar klassískar tímaraðaraðferðir — sérstaklega ARIMA-fjölskyldan — gera ráð fyrir að gögnin séu stöðug. Stöðug tímaröð þýðir að tölfræðilegir eiginleikar hennar (eins og meðaltal og dreifni) eru tiltölulega stöðugir með tímanum og að sjálffylgnin er aðeins háð tímatöfinni, ekki algildum tíma.
Ef gögnin sýna sterka þróun eða greinilega árstíðabundna sveiflu eru þau yfirleitt ekki stöðug. Til að gera þau stöðug nota greinendur oft umbreytingar eins og mismunun (að taka mismuninn milli tímabila) eða lógaritmabreytingar til að stöðuga dreifni. Formleg próf eins og Augmented Dickey-Fuller (ADF) eða KPSS geta hjálpað til við að meta stöðugleika, þó að túlkun þeirra krefjist samt sem áður samsetningar af samhengisskilningi og sjónrænni skoðun.
Vinsælar tímaröðarlíkön
1. Hreyfanlegt meðaltalslíkan og veldisvísisjöfnun
Jöfnunaraðferðir eru mikið notaðar í skammtímaspágerð. Hreyfanlegt meðaltal notar meðaltal síðustu tímabila til að spá fyrir um næsta tímabil. Veldisvísisjöfnun gefur nýjustu athugunum meira vægi. Aðferðir eins og einföld veldisvísisjöfnun henta fyrir stefnulaus og árstíðabundin gögn, en aðferð Holts sér um þróun og Holt-Winters sér um bæði þróun og árstíðabundin gögn.
Kostir sléttunaraðferða eru að þær eru einfaldar, hraðar og virka oft vel í rekstrarlegum tilgangi. Hins vegar veita þær ekki alltaf ítarlega túlkun á sjálffylgniuppbyggingu.
2. AR, MA og ARIMA
Sjálfvirka aðhvarfslíkanið (AR) segir að núverandi gildi séu háð fyrri gildum. Hlaupandi meðaltalslíkanið (MA) segir að núverandi gildi séu undir áhrifum fyrri villna. Samsetning þessara tveggja er kölluð ARMA, og þegar gögn þurfa að vera mismunuð til að gera þau stöðug, verður líkanið að ARIMA (Autoregressive Integrated Moving Average). ARIMA er skrifað sem ARIMA(p, d, q), þar sem p er röð AR, d er röð mismunar og q er röð MA.
Val á breytum er yfirleitt aðstoðað með ACF/PACF og upplýsingaviðmiðum eins og AIC eða BIC. ARIMA hefur lengi verið staðall í efnahags- og viðskiptaspám vegna sveigjanleika þess og sterks fræðilegs grunns.
3. SARIMA fyrir árstíðabundnar
Ef gögnin hafa skýra árstíðabundna sveiflu — til dæmis mánaðarlegt ársmynstur — er ARIMA líkanið útvíkkað í SARIMA (árstíðabundið ARIMA). Þetta líkan bætir við árstíðabundnum þætti, þar á meðal AR, mismun og MA breytum fyrir tiltekið árstíðabundið tímabil (til dæmis 12 fyrir mánaðarleg gögn). SARIMA virkar fyrir gögn eins og fjölda ferðamanna á mánuði, klukkustundar rafmagnsnotkun með daglegu mynstri eða árstíðabundna eftirspurn eftir vörum.
4. VAR fyrir fjölbreytu
Í mörgum tilfellum greinum við fleiri en eina tímaröð samtímis, svo sem verðbólgu, vexti og gengi gjaldmiðla. Vigursjálfvirk aðhvarfsgreining (e. vector autoregression, VAR) gerir kleift að hafa áhrif á hverja breytu frá fyrri gildum sínum og öðrum breytum. VAR er mikið notað í hagfræði til að rannsaka kerfisvirkni og áhrif áfalla með púlsgreiningu.
5. Sveiflurlíkan: ARCH/GARCH
Í fjárhagslegum gögnum kemur sveiflur oft fyrir í klösum: tímabil rólegrar stöðu og síðan tímabil mikillar sveiflu. ARCH og GARCH líkön eru hönnuð til að líkja eftir breytileika sem breytist með tímanum. Þessi líkön eru mikilvæg í áhættustýringu, verðmati eigna og mælingu á óvissu á markaði.
Líkanmat og nákvæmni spár
Þegar líkan hefur verið valið þurfum við að meta hvort það sé fullnægjandi. Leifarnar (munurinn á raunverulegum og spáðum gögnum) ættu að líkjast handahófskenndu suði: ómynstruð, ekki sjálffylgni og hafa tiltölulega stöðuga dreifni. Ljung-Box prófið er oft notað til að athuga hvort sjálffylgni sé til staðar í leifum.
Til að mæla gæði spáa eru notaðar mælikvarðar eins og MAE (meðaltal algerra villu), RMSE (rót meðaltals ferningsvillu) og MAPE (meðaltal algerra prósentuvillu). Góð framkvæmd er að skipta gögnunum í þjálfunar- og prófunargögn eftir tíma (tímabundin skipting) frekar en handahófskennda skiptingu, þannig að matið endurspegli raunverulegar spáaðstæður.
Algengar áskoranir í tímaröðum
Tímaröðagreining stendur oft frammi fyrir áskorunum eins og vöntun gagna, breytingum á skilgreiningum mælinga, miklum útlægum gildum og skipulagslegum brotum. Til dæmis getur heimsfaraldur breytt neyslumynstri verulega og gert líkön sem þjálfuð eru á tímabilum fyrir heimsfaraldur óáreiðanlegri. Í slíkum aðstæðum getur verið nauðsynlegt að uppfæra líkan, nota utanaðkomandi breyta eða aðlaga aðferðafræði að eigin vali.
Þar að auki hefur tímaupplausn og lengd gagnanna veruleg áhrif á þær aðferðir sem hægt er að nota. Hátíðnigögn (t.d. gögn á mínútu) krefjast sérstakrar meðhöndlunar á hávaða og útreikningum, en ársgögn geta verið of stutt til að hægt sé að bera kennsl á árstíðabundin áhrif með áreiðanlegum hætti.
Lokun
Tímaröðagreining í tölfræði veitir ríkan ramma til að skilja gögn sem þróast með tímanum. Með því að bera kennsl á þróun, árstíðabundin sveiflur og sjálfsfylgniþætti og velja rétta líkanið - allt frá veldisvísisjöfnun til ARIMA, VAR og GARCH - getum við byggt upp nákvæmari spár og fengið skarpari innsýn. Hins vegar er árangursrík greining ekki aðeins háð tækni heldur einnig skilningi á samhengi, gæðum gagna og nákvæmu mati. Í heimi sem er sífellt meira háður rauntímagögnum er hæfni til að greina tímaraðir að verða sífellt mikilvægari færni fyrir bæði vísindamenn og sérfræðinga.
