Статистикадағы уақыт қатарларын талдау
Уақыттық қатарларды талдау - бұл статистиканың бір саласы, ол уақыт бойынша, мысалы, күнделікті, апта сайынғы, ай сайынғы немесе жыл сайынғы ретпен жиналған деректерді зерттейді. Уақыттың бір нүктесінде жиналатын көлденең қима деректерінен айырмашылығы, уақыттық қатарларды талдау уақыт өте келе дамып келе жатқан өзгерістер мен үлгілердің динамикасын баса көрсетеді. Экономика, бизнес, қоғамдық денсаулық сақтау, энергетика және тіпті климат саласындағы көптеген маңызды шешімдер өткен үрдістерді түсінуге және болашақ үрдістерді болжауға байланысты болғандықтан, уақыттық қатарларды талдау зерттеу мен тәжірибеде маңызды құрал болып табылады.
Уақыт қатары деректерінің сипаттамалары
Уақыт қатарының негізгі ерекшелігі - оның маңызды ақпаратты жоғалтпай араластыруға болмайтын тізбегі бар. Бүгінгі мән әдетте кешегі мәнмен байланысты, ал осы айдың мәніне жылдық үлгілер әсер етуі мүмкін. Бұл уақыт аралық тәуелділік автокорреляция деп аталады. Сонымен қатар, уақыт қатарлары көбінесе трендтер (ұзақ мерзімді қозғалыстар), маусымдық (уақыт өте келе қайталанатын үлгілер), циклдер (әрқашан тұрақты емес аралық толқындар) және шу немесе кездейсоқ қателіктер сияқты компоненттерді көрсетеді.
Мысалы, бөлшек сауда мерекелер кезінде (маусымдық) артады, бірақ олар экономикалық өсімге (трендке) байланысты жылдан жылға баяу өсуі мүмкін. Күтпеген оқиғаларға, мысалы, жеткізудің үзілуіне немесе саясаттың өзгеруіне байланысты ауытқулар кездейсоқ компонентке жатады.
Уақыт қатарларын талдаудың мақсаты
Жалпы алғанда, уақыт қатарларын талдаудың бірнеше негізгі мақсаттары бар. Біріншіден, ол деректер үлгілерін қысқаша және ақпараттық түрде сипаттайды, мысалы, үрдістерді маусымдықтан бөлу арқылы. Екіншіден, ол статистикалық модельдер арқылы деректерді қалыптастыру механизмдерін түсіндіреді, бұл бізге уақыт өте келе мәндердің өзгеруінің артындағы процестерді түсінуге мүмкіндік береді. Үшіншіден, ол тарихи үлгілерге негізделген болашақ мәндерді бағалайтын болжам жасайды. Төртіншіден, ол экономикалық дағдарыстар, нарықтық мінез-құлықтың өзгеруі немесе деректердің ауытқуын тудыратын өлшеу құралдарының дұрыс жұмыс істемеуі сияқты ауытқуларды немесе құрылымдық өзгерістерді анықтайды.
Алғашқы қадамдар: визуализация және зерттеу
Бастапқы қадам - деректерді уақытқа қарсы сызу. Қарапайым визуализациялар көбінесе жоғары немесе төмен үрдістерді, маусымдық үлгілерді және ауытқуларды көрсетеді. Содан кейін алдын ала статистикалық талдау жүргізіледі, мысалы, қысқа мерзімді ауытқуларды тегістеу үшін қозғалмалы орташа мәнді есептеу немесе үрдісті, маусымдық және қалдық компоненттерді бөлу үшін уақыт қатарларын жіктеуді пайдалану.
Графиктерден басқа, уақыт қатарларын зерттеудегі екі маңызды құрал - автокорреляция функциясы (ACF) және ішінара автокорреляция функциясы (PACF). ACF ағымдағы мән мен әртүрлі кідірістердегі мәндер арасындағы байланыстың қаншалықты күшті екенін көрсетеді (мысалы, 1 күн бұрын, 2 күн бұрын және т.б.). PACF кішігірім кідірістердің әсерін бақылағаннан кейін кідірістің тікелей әсерін анықтауға көмектеседі. ACF және PACF ақпараты дұрыс модельді таңдау үшін өте пайдалы.
Стационарлық ұғымы
Көптеген классикалық уақыт қатарларының әдістері, әсіресе ARIMA тұқымдасы, деректердің стационарлық екенін болжайды. Стационарлық уақыт қатары оның статистикалық қасиеттерінің (мысалы, орташа мән және дисперсия) уақыт өте келе салыстырмалы түрде тұрақты екенін және автокорреляцияның абсолютті уақытқа емес, тек уақыт кідірісіне байланысты екенін білдіреді.
Егер деректер күшті үрдісті немесе айқын маусымдықты көрсетсе, ол әдетте стационарлық емес болады. Оны стационарлық ету үшін аналитиктер дисперсияны тұрақтандыру үшін дифференциалдау (кезеңдер арасындағы айырмашылықты алу) немесе логарифмдік түрлендірулер сияқты түрлендірулерді жиі пайдаланады. Кеңейтілген Дики-Фуллер (ADF) немесе KPSS сияқты формальды тесттер стационарлықты бағалауға көмектеседі, дегенмен оларды түсіндіру әлі де контекстік түсіну мен визуалды тексерудің үйлесімін қажет етеді.
Танымал уақыт сериясы модельдері
1. Жылжымалы орташа моделі және экспоненциалды тегістеу
Тегістеу әдістері қысқа мерзімді болжауда кеңінен қолданылады. Қозғалмалы орташалар келесі кезеңді болжау үшін соңғы бірнеше кезеңнің орташа мәнін алады. Экспоненциалды тегістеу ең соңғы бақылауларға үлкен салмақ береді. Қарапайым экспоненциалды тегістеу сияқты әдістер трендсіз және маусымдық деректерге жарамды, ал Холт әдісі трендтерді өңдейді, ал Холт-Уинтерс трендтерді де, маусымдықты да өңдейді.
Тегістеу әдістерінің артықшылықтары - олардың қарапайым, жылдам және көбінесе пайдалану мақсаттары үшін жақсы жұмыс істейді. Дегенмен, олар автокорреляция құрылымын әрдайым толық түсіндіре бермейді.
2. AR, MA және ARIMA
Авторегрессивті (AR) модель ағымдағы мәндердің өткен мәндерге тәуелді екенін айтады. Жылжымалы орташа (MA) моделі ағымдағы мәндерге өткен қателіктер әсер ететінін айтады. Екеуінің тіркесімі ARMA деп аталады, ал деректерді стационарлық ету үшін айырмашылықтарды анықтау қажет болған кезде, модель ARIMA (Авторегрессивті интеграцияланған жылжымалы орташа) болады. ARIMA ARIMA(p, d, q) түрінде жазылады, мұндағы p - AR реті, d - айырмашылықтар реті, ал q - MA реті.
Параметрлерді таңдау әдетте ACF/PACF және AIC немесе BIC сияқты ақпараттық критерийлермен қамтамасыз етіледі. ARIMA икемділігі мен берік теориялық негізіне байланысты экономикалық және бизнес болжауда ұзақ уақыт бойы стандарт болып келеді.
3. Маусымдық SARIMA
Егер деректерде айқын маусымдық сипат болса — мысалы, айлық-жылдық үлгі — ARIMA моделі SARIMA (маусымдық ARIMA) моделіне дейін кеңейтіледі. Бұл модель белгілі бір маусымдық кезең үшін AR, айырмашылық және MA параметрлерін қоса алғанда, маусымдық компонентті қосады (мысалы, айлық деректер үшін 12). SARIMA айына келетін туристер саны, күнделікті үлгідегі сағаттық электр энергиясын тұтыну немесе маусымдық өнімге деген сұраныс сияқты деректер үшін тиімді.
4. Көп айнымалы үшін VAR
Көп жағдайда біз инфляция, пайыздық мөлшерлемелер және валюта бағамдары сияқты бірнеше уақыт қатарларын бір уақытта талдаймыз. Векторлық авторегрессия (VAR) әрбір айнымалыға өзінің өткен мәндері мен басқа да айнымалылардың әсер етуіне мүмкіндік береді. VAR эконометрикада жүйелік динамиканы және импульстік жауап талдауы арқылы күйзелістердің әсерін зерттеу үшін кеңінен қолданылады.
5. Құбылмалылық моделі: ARCH/GARCH
Қаржылық деректерде құбылмалылық көбінесе кластерлерде кездеседі: тыныштық кезеңдерінен кейін жоғары құбылмалылық кезеңдерімен жалғасады. ARCH және GARCH модельдері уақыт өте келе өзгеретін дисперсияны модельдеуге арналған. Бұл модельдер тәуекелдерді басқаруда, активтерді бағалауда және нарықтық белгісіздікті өлшеуде маңызды.
Модельді бағалау және болжау дәлдігі
Модель таңдалғаннан кейін, оның жеткіліктілігін бағалауымыз керек. Қалдықтар (нақты және болжамды деректер арасындағы айырмашылық) кездейсоқ шуға ұқсауы керек: үлгіленбеген, автокорреляцияланбаған және салыстырмалы түрде тұрақты дисперсияға ие. Люнг-Бокс сынағы көбінесе қалдық автокорреляцияны тексеру үшін қолданылады.
Болжам сапасын өлшеу үшін MAE (орташа абсолютті қате), RMSE (түбірлік орташа квадраттық қате) және MAPE (орташа абсолютті пайыздық қате) сияқты көрсеткіштер қолданылады. Жақсы тәжірибе - деректерді кездейсоқ бөлудің орнына уақытқа негізделген оқыту және тестілеу деректеріне бөлу (уақытқа негізделген бөлу), осылайша бағалау нақты болжам жағдайларын көрсетеді.
Уақыт қатарларындағы жиі кездесетін қиындықтар
Уақыт қатарларын талдау көбінесе деректердің жетіспеушілігі, өлшеу анықтамаларындағы өзгерістер, шектен тыс ауытқулар және құрылымдық үзілістер сияқты қиындықтарға тап болады. Мысалы, пандемия тұтыну үлгілерін күрт өзгертіп, пандемияға дейінгі кезеңдер бойынша дайындалған модельдердің дәлдігін төмендетуі мүмкін. Мұндай жағдайларда модельдерді жаңарту, экзогендік айнымалыларды пайдалану немесе бейімделгіш тәсіл қажет болуы мүмкін.
Сонымен қатар, деректердің уақыт ажыратымдылығы мен ұзақтығы қолданылуы мүмкін әдістерге айтарлықтай әсер етеді. Жоғары жиілікті деректер (мысалы, минутына) шуды арнайы өңдеуді және есептеуді қажет етеді, ал жылдық деректер маусымдықты сенімді түрде анықтау үшін тым қысқа болуы мүмкін.
Жабу
Статистикадағы уақыттық қатарларды талдау уақыт өте келе дамып келе жатқан деректерді түсінуге арналған бай негізді қамтамасыз етеді. Трендті, маусымдықты және автокорреляция компоненттерін тану және экспоненциалды тегістеуден ARIMA, VAR және GARCH-қа дейінгі дұрыс модельді таңдау арқылы біз дәлірек болжамдар жасай аламыз және айқынырақ түсініктерге қол жеткізе аламыз. Дегенмен, сәтті талдау тек техникаға ғана емес, сонымен қатар контекстті түсінуге, деректердің сапасына және мұқият бағалауға да байланысты. Нақты уақыттағы деректерге көбірек тәуелді болып келе жатқан әлемде уақыттық қатарларды талдау мүмкіндігі зерттеушілер мен мамандар үшін маңызды дағдыға айналуда.
