Analisis Siri Masa dalam Statistik
Analisis siri masa merupakan cabang statistik yang mengkaji data yang dikumpul secara berurutan dari semasa ke semasa, seperti harian, mingguan, bulanan atau tahunan. Tidak seperti data keratan rentas yang dikumpul pada satu ketika sahaja, analisis siri masa menekankan dinamik perubahan dan corak yang berkembang dari semasa ke semasa. Oleh kerana banyak keputusan penting—dalam ekonomi, perniagaan, kesihatan awam, tenaga dan juga iklim—bergantung pada pemahaman trend masa lalu dan meramalkan trend masa hadapan, analisis siri masa merupakan alat penting dalam penyelidikan dan amalan.
Ciri-ciri Data Siri Masa
Ciri utama siri masa ialah ia mempunyai jujukan yang tidak boleh dikocok tanpa kehilangan maklumat penting. Nilai hari ini biasanya berkaitan dengan nilai semalam, dan nilai bulan ini boleh dipengaruhi oleh corak tahunan. Pergantungan antara masa ini dipanggil autokorelasi. Tambahan pula, siri masa sering mempamerkan komponen seperti trend (pergerakan jangka panjang), bermusim (corak berulang dari semasa ke semasa), kitaran (gelombang jangka pertengahan yang tidak selalunya tetap), dan hingar atau ralat rawak.
Contohnya, jualan runcit cenderung meningkat sekitar cuti (bermusim), tetapi ia juga boleh meningkat secara perlahan dari tahun ke tahun disebabkan oleh pertumbuhan ekonomi (trend). Turun naik akibat peristiwa yang tidak dijangka—seperti gangguan bekalan atau perubahan dasar—termasuk dalam komponen rawak.
Tujuan Analisis Siri Masa
Secara amnya, analisis siri masa mempunyai beberapa objektif utama. Pertama, ia menerangkan corak data secara ringkas dan bermaklumat, contohnya dengan memisahkan trend daripada bermusim. Kedua, ia menerangkan mekanisme pembentukan data melalui model statistik, membolehkan kita memahami proses di sebalik perubahan nilai dari semasa ke semasa. Ketiga, ia meramalkan, yang menganggarkan nilai masa hadapan berdasarkan corak sejarah. Keempat, ia mengesan anomali atau perubahan struktur, seperti krisis ekonomi, perubahan dalam tingkah laku pasaran, atau instrumen pengukur yang tidak berfungsi yang menyebabkan sisihan data.
Langkah Pertama: Visualisasi dan Penerokaan
Langkah awal yang biasa dilakukan adalah memplot data terhadap masa. Visualisasi mudah selalunya mendedahkan trend menaik atau menurun, corak bermusim dan outlier. Analisis statistik awal kemudiannya dilakukan, seperti mengira purata bergerak untuk melicinkan turun naik jangka pendek atau menggunakan penguraian siri masa untuk memisahkan komponen trend, bermusim dan baki.
Selain plot, dua alat penting dalam penerokaan siri masa ialah fungsi autokorelasi (ACF) dan fungsi autokorelasi separa (PACF). ACF menunjukkan betapa kuatnya hubungan antara nilai semasa dan nilai pada pelbagai ketinggalan (cth., 1 hari lebih awal, 2 hari lebih awal, dan sebagainya). PACF membantu mengenal pasti pengaruh langsung ketinggalan selepas mengawal pengaruh ketinggalan yang lebih kecil. Maklumat daripada ACF dan PACF sangat berguna untuk memilih model yang betul.
Konsep Kestatikan
Banyak kaedah siri masa klasik—terutamanya keluarga ARIMA—menganggap bahawa data adalah pegun. Siri masa pegun bermaksud bahawa sifat statistiknya (seperti min dan varians) agak malar dari semasa ke semasa, dan autokorelasi hanya bergantung pada lag masa, bukan pada masa mutlak.
Jika data menunjukkan trend yang kuat atau bermusim yang jelas, ia biasanya tidak pegun. Untuk menjadikannya pegun, penganalisis sering menggunakan transformasi seperti pembezaan (mengambil perbezaan antara tempoh) atau transformasi log untuk menstabilkan varians. Ujian formal seperti Augmented Dickey-Fuller (ADF) atau KPSS boleh membantu menilai pegun, walaupun tafsirannya masih memerlukan gabungan pemahaman kontekstual dan pemeriksaan visual.
Model Siri Masa Popular
1. Model Purata Bergerak dan Pelicinan Eksponen
Kaedah pelicinan digunakan secara meluas dalam peramalan jangka pendek. Purata bergerak mengambil purata beberapa tempoh terakhir untuk meramalkan tempoh seterusnya. Pelicinan eksponen memberikan pemberat yang lebih besar kepada pemerhatian terkini. Kaedah seperti Pelicinan Eksponen Mudah sesuai untuk data tanpa trend dan bermusim, manakala kaedah Holt mengendalikan trend, dan Holt-Winters mengendalikan kedua-dua trend dan bermusim.
Kelebihan kaedah pelicinan adalah mudah, pantas dan selalunya berfungsi dengan baik untuk tujuan operasi. Walau bagaimanapun, kaedah ini tidak selalunya memberikan tafsiran menyeluruh tentang struktur autokorelasi.
2. AR, MA, dan ARIMA
Model autoregresif (AR) menyatakan bahawa nilai semasa bergantung pada nilai lepas. Model purata bergerak (MA) menyatakan bahawa nilai semasa dipengaruhi oleh ralat lepas. Gabungan kedua-duanya dipanggil ARMA, dan apabila data perlu dibezakan untuk menjadikannya pegun, model tersebut menjadi ARIMA (Purata Bergerak Bersepadu Autoregresif). ARIMA ditulis sebagai ARIMA(p, d, q), di mana p ialah tertib AR, d ialah tertib perbezaan, dan q ialah tertib MA.
Pemilihan parameter biasanya dibantu oleh ACF/PACF dan kriteria maklumat seperti AIC atau BIC. ARIMA telah lama menjadi standard dalam ramalan ekonomi dan perniagaan kerana fleksibiliti dan asas teorinya yang kukuh.
3. SARIMA untuk Bermusim
Jika data mempunyai kemusiman yang jelas—contohnya, corak bulanan-tahun—model ARIMA dilanjutkan kepada SARIMA (ARIMA Bermusim). Model ini menambah komponen bermusim, termasuk AR, perbezaan dan parameter MA untuk tempoh bermusim tertentu (contohnya, 12 untuk data bulanan). SARIMA berkesan untuk data seperti bilangan pelancong sebulan, penggunaan elektrik setiap jam dengan corak harian atau permintaan produk bermusim.
4. VAR untuk Multivariat
Dalam kebanyakan kes, kita menganalisis lebih daripada satu siri masa secara serentak, seperti inflasi, kadar faedah dan kadar pertukaran. Autoregresi Vektor (VAR) membolehkan setiap pembolehubah dipengaruhi oleh nilai masa lalunya sendiri dan pembolehubah lain. VAR digunakan secara meluas dalam ekonometrika untuk mengkaji dinamik sistem dan kesan kejutan melalui analisis tindak balas impuls.
5. Model Volatiliti: ARCH/GARCH
Dalam data kewangan, turun naik sering berlaku dalam kelompok: tempoh tenang diikuti dengan tempoh turun naik yang tinggi. Model ARCH dan GARCH direka bentuk untuk memodelkan varians yang berubah dari semasa ke semasa. Model ini penting dalam pengurusan risiko, penilaian aset dan mengukur ketidakpastian pasaran.
Penilaian Model dan Ketepatan Ramalan
Sebaik sahaja model dipilih, kita perlu menilai kecukupannya. Baki (perbezaan antara data sebenar dan data yang diramalkan) harus menyerupai hingar rawak: tidak bercorak, tidak autokorelasi dan mempunyai varians yang agak stabil. Ujian Ljung-Box sering digunakan untuk memeriksa autokorelasi baki.
Untuk mengukur kualiti ramalan, metrik seperti MAE (Ralat Mutlak Purata), RMSE (Ralat Kuasa Purata Purata), dan MAPE (Ralat Peratusan Mutlak Purata) digunakan. Amalan yang baik adalah dengan membahagikan data kepada data latihan dan ujian berdasarkan masa (pemisahan berasaskan masa), bukannya pemisahan rawak, supaya penilaian mencerminkan keadaan ramalan sebenar.
Cabaran Lazim dalam Siri Masa
Analisis siri masa sering menghadapi cabaran seperti data yang hilang, perubahan dalam definisi pengukuran, outlier yang ekstrem dan perbezaan struktur. Contohnya, pandemik boleh mengubah corak penggunaan secara drastik, menjadikan model yang dilatih pada tempoh pra-pandemik kurang tepat. Dalam situasi sedemikian, kemas kini model, penggunaan pembolehubah eksogen atau pendekatan yang lebih adaptif mungkin diperlukan.
Tambahan pula, resolusi masa dan panjang data mempengaruhi kaedah yang boleh digunakan dengan ketara. Data frekuensi tinggi (contohnya, seminit) memerlukan pengendalian hingar dan pengiraan khas, manakala data tahunan mungkin terlalu pendek untuk mengenal pasti musim dengan kukuh.
penutup
Analisis siri masa dalam statistik menyediakan rangka kerja yang kaya untuk memahami data yang berkembang dari semasa ke semasa. Dengan mengenali komponen trend, bermusim dan autokorelasi serta memilih model yang betul—daripada pelicinan eksponen kepada ARIMA, VAR dan GARCH—kita boleh membina ramalan yang lebih tepat dan memperoleh pandangan yang lebih tajam. Walau bagaimanapun, analisis yang berjaya bukan sahaja bergantung pada teknik tetapi juga pada pemahaman konteks, kualiti data dan penilaian yang teliti. Dalam dunia yang semakin bergantung pada data masa nyata, keupayaan untuk menganalisis siri masa menjadi kemahiran yang semakin penting bagi penyelidik dan pengamal.
