Аналіз часових рядів

Основи

Стаціонарність: сталі середнє/дисперсія/коваріації.

ACF/PACF для ідентифікації AR/MA компонент.

Розкладання на тренд, сезонність, залишки.

ARIMA/SARIMA

ARIMA(p,d,q) з диференціюванням порядку d; SARIMA(P,D,Q)s для сезонності. Параметри підбирають за AIC/BIC і діагностикою залишків.

Перевірки

ADF (Дікі–Фуллер) і KPSS для стаціонарності.

Ljung–Box для автокореляцій залишків.

📈 Що таке аналіз часових рядів?

Аналіз часових рядів — це розділ статистики, який займається аналізом та прогнозуванням даних, що збираються в послідовні моменти часу. Часові ряди характеризуються залежністю між спостереженнями в різні моменти часу, що відрізняє їх від звичайних статистичних даних. Аналіз часових рядів включає виявлення трендів, сезонності, циклічних компонентів та випадкових коливань, а також побудову моделей для прогнозування майбутніх значень.

🎯 Основні розділи аналізу часових рядів:

Стаціонарність - властивості часових рядів

Тренди та сезонність - компоненти ряду

ARIMA моделі - авторегресійні моделі

Експоненційне згладжування - прогнозування

Спектральний аналіз - частотний аналіз

📈 Стаціонарність

1. Визначення стаціонарності

Фундаментальне поняття в аналізі часових рядів:

📈 Стаціонарність

Строга стаціонарність:

Слаба стаціонарність:

📈 Строга стаціонарність

Визначення: • Розподіл не залежить від часу • F(X_{t₁}, ..., X_{t_k}) = F(X_{t₁+h}, ..., X_{t_k+h}) • Всі моменти незмінні • Властивості

Властивості: • Середнє: E[X_t] = μ • Дисперсія: Var[X_t] = σ² • Автоковаріація: γ(h) • Приклади

📈 Слаба стаціонарність

Визначення: • Середнє не залежить від часу • E[X_t] = μ • Автоковаріація залежить тільки від лагу • Властивості

Властивості: • Середнє: E[X_t] = μ • Автоковаріація: Cov(X_t, X_{t+h}) = γ(h) • Автокореляція: ρ(h) = γ(h)/γ(0) • Приклади

📈 Нестаціонарність

Визначення: • Ряд не є стаціонарним • Тренди, сезонність • Зміна дисперсії • Властивості

Типи: • Трендова нестаціонарність • Сезонна нестаціонарність • Гетероскедастичність • Приклади

2. Тести стаціонарності

Статистичні тести для перевірки стаціонарності:

📈 Тест Дікі-Фуллера

Гіпотези: • H₀: ряд має одиничний корінь • H₁: ряд стаціонарний • Статистика: DF • Властивості

Властивості: • Критичні значення • Рівень значущості • Інтерпретація • Приклади

📈 KPSS тест

Гіпотези: • H₀: ряд стаціонарний • H₁: ряд нестаціонарний • Статистика: KPSS • Властивості

Властивості: • Критичні значення • Рівень значущості • Інтерпретація • Приклади

📈 Тест Філіпса-Перрона

Гіпотези: • H₀: ряд має одиничний корінь • H₁: ряд стаціонарний • Статистика: PP • Властивості

Властивості: • Критичні значення • Рівень значущості • Інтерпретація • Приклади

F(X_{t₁}, X_{t₂}, ..., X_{t_k}) = F(X_{t₁+h}, X_{t₂+h}, ..., X_{t_k+h})

📈 Тренди та сезонність

1. Компоненти часових рядів

Розкладення часових рядів на компоненти:

📈 Адитивна модель

Формула:

Компоненти:

📈 Тренд

Визначення: • Довгострокова тенденція • T_t - трендова компонента • Лінійний, нелінійний • Властивості

Типи: • Лінійний тренд • Квадратичний тренд • Експоненційний тренд • Приклади

📈 Сезонність

Визначення: • Періодичні коливання • S_t - сезонна компонента • Фіксований період • Властивості

Типи: • Щорічна сезонність • Квартальна сезонність • Місячна сезонність • Приклади

📈 Циклічність

Визначення: • Нерегулярні коливання • C_t - циклічна компонента • Змінний період • Властивості

Типи: • Бізнес-цикли • Кон'юнктурні цикли • Довгострокові цикли • Приклади

2. Методи виявлення трендів

Статистичні методи для виявлення трендів:

📈 Лінійна регресія

Модель: • X_t = α + βt + ε_t • α - константа • β - коефіцієнт тренду • Властивості

Властивості: • Простота • Інтерпретація • Обмеження • Приклади

📈 Ковзне середнє

Метод: • MA(k) = (X_{t-k} + ... + X_t + ... + X_{t+k})/(2k+1) • k - розмір вікна • Згладжування • Властивості

Властивості: • Згладжування • Простота • Затримка • Приклади

📈 Локальна регресія

Метод: • LOESS, LOWESS • Локальна поліноміальна регресія • Адаптивність • Властивості

Властивості: • Адаптивність • Гнучкість • Складність • Приклади

X_t = T_t + S_t + C_t + ε_t

📈 ARIMA моделі

1. Авторегресійні моделі

Моделі авторегресії та інтегрованого рухомого середнього:

📈 ARIMA(p,d,q)

Модель:

Параметри:

📈 AR(p) модель

Визначення: • X_t = φ₁X_{t-1} + ... + φ_pX_{t-p} + ε_t • φ₁, ..., φ_p - коефіцієнти • ε_t - білий шум • Властивості

Властивості: • Стаціонарність • Автокореляція • Часткова автокореляція • Приклади

📈 MA(q) модель

Визначення: • X_t = ε_t + θ₁ε_{t-1} + ... + θ_qε_{t-q} • θ₁, ..., θ_q - коефіцієнти • ε_t - білий шум • Властивості

Властивості: • Стаціонарність • Автокореляція • Часткова автокореляція • Приклади

📈 ARMA(p,q) модель

Визначення: • X_t = φ₁X_{t-1} + ... + φ_pX_{t-p} + ε_t + θ₁ε_{t-1} + ... + θ_qε_{t-q} • Комбінація AR та MA • Гнучкість • Властивості

Властивості: • Стаціонарність • Автокореляція • Часткова автокореляція • Приклади

2. Оцінювання параметрів

Методи оцінювання параметрів ARIMA моделей:

📈 Метод найменших квадратів

Метод: • Мінімізація суми квадратів • RSS = Σ(X_t - X̂_t)² • X̂_t - прогноз • Властивості

Властивості: • Простота • Ефективність • Обмеження • Приклади

📈 Метод максимальної правдоподібності

Метод: • Максимізація функції правдоподібності • L(φ, θ, σ²) • φ, θ - параметри • Властивості

Властивості: • Ефективність • Складність • Обмеження • Приклади

📈 Баєсівське оцінювання

Метод: • Априорні розподіли • Апостеріорні розподіли • MCMC методи • Властивості

Властивості: • Невизначеність • Складність • Гнучкість • Приклади

(1-φ₁B-...-φ_pB^p)(1-B)^d X_t = (1+θ₁B+...+θ_qB^q)ε_t

📈 Експоненційне згладжування

1. Просте експоненційне згладжування

Методи експоненційного згладжування для прогнозування:

📈 Просте згладжування

Формула:

Прогноз:

📈 Просте згладжування

Визначення: • S_t = αX_t + (1-α)S_{t-1} • α - параметр згладжування • 0 ≤ α ≤ 1 • Властивості

Властивості: • Простота • Швидкість • Обмеження • Приклади

📈 Згладжування з трендом

Визначення: • S_t = αX_t + (1-α)(S_{t-1} + T_{t-1}) • T_t = β(S_t - S_{t-1}) + (1-β)T_{t-1} • α, β - параметри • Властивості

Властивості: • Тренд • Гнучкість • Складність • Приклади

📈 Згладжування з сезонністю

Визначення: • S_t = α(X_t/I_{t-L}) + (1-α)(S_{t-1} + T_{t-1}) • I_t = γ(X_t/S_t) + (1-γ)I_{t-L} • α, β, γ - параметри • Властивості

Властивості: • Сезонність • Тренд • Гнучкість • Приклади

2. Метод Хольта-Вінтерса

Розширений метод експоненційного згладжування:

📈 Адитивна модель

Формули: • S_t = α(X_t - I_{t-L}) + (1-α)(S_{t-1} + T_{t-1}) • T_t = β(S_t - S_{t-1}) + (1-β)T_{t-1} • I_t = γ(X_t - S_t) + (1-γ)I_{t-L} • Властивості

Властивості: • Адитивна сезонність • Тренд • Гнучкість • Приклади

📈 Мультиплікативна модель

Формули: • S_t = α(X_t/I_{t-L}) + (1-α)(S_{t-1} + T_{t-1}) • T_t = β(S_t - S_{t-1}) + (1-β)T_{t-1} • I_t = γ(X_t/S_t) + (1-γ)I_{t-L} • Властивості

Властивості: • Мультиплікативна сезонність • Тренд • Гнучкість • Приклади

📈 Прогнозування

Адитивна модель: • X̂_{t+h} = S_t + hT_t + I_{t+h-L} • h - горизонт прогнозу • L - період сезонності • Властивості

Мультиплікативна модель: • X̂_{t+h} = (S_t + hT_t) × I_{t+h-L} • h - горизонт прогнозу • L - період сезонності • Властивості

S_t = αX_t + (1-α)S_{t-1}

📈 Спектральний аналіз

1. Частотний аналіз

Аналіз часових рядів у частотній області:

📈 Спектральна щільність

Визначення:

Властивості:

📈 Періодограма

Визначення: • I(ω) = (1/n)|Σ_{t=1}^n X_t e^{-iωt}|² • n - розмір вибірки • ω - частота • Властивості

Властивості: • Несмещена оцінка • Висока дисперсія • Обмеження • Приклади

📈 Згладжена періодограма

Метод: • Згладжування періодограми • Зменшення дисперсії • Збільшення зміщення • Властивості

Властивості: • Зменшення дисперсії • Збільшення зміщення • Компроміс • Приклади

📈 Авторегресійний спектр

Метод: • AR модель • Спектральна щільність • f(ω) = σ²/(2π|1-Σφ_k e^{-iωk}|²) • Властивості

Властивості: • Гладкість • Роздільна здатність • Параметричний • Приклади

2. Фільтрація

Методи фільтрації часових рядів:

📈 Низькочастотний фільтр

Метод: • Пропускання низьких частот • Блокування високих частот • Згладжування • Властивості

Властивості: • Згладжування • Простота • Затримка • Приклади

📈 Високочастотний фільтр

Метод: • Пропускання високих частот • Блокування низьких частот • Підкреслення деталей • Властивості

Властивості: • Підкреслення деталей • Простота • Шум • Приклади

📈 Смуговий фільтр

Метод: • Пропускання певного діапазону • Блокування інших частот • Виділення компонентів • Властивості

Властивості: • Виділення компонентів • Гнучкість • Складність • Приклади

f(ω) = (1/2π) Σ_{h=-∞}^∞ γ(h)e^{-iωh}

📈 Прогнозування

1. Методи прогнозування

Різні методи прогнозування часових рядів:

📈 Наївний прогноз

Метод: • X̂_{t+h} = X_t • Останнє спостереження • Простота • Властивості

Властивості: • Простота • Швидкість • Обмеження • Приклади

📈 Середнє прогноз

Метод: • X̂_{t+h} = (X_1 + ... + X_t)/t • Середнє значення • Простота • Властивості

Властивості: • Простота • Стабільність • Обмеження • Приклади

📈 Ковзне середнє прогноз

Метод: • X̂_{t+h} = (X_{t-k+1} + ... + X_t)/k • k - розмір вікна • Адаптивність • Властивості

Властивості: • Адаптивність • Простота • Затримка • Приклади

2. Оцінювання точності прогнозів

Метрики для оцінювання якості прогнозів:

📈 MAE

Визначення: • MAE = (1/n)Σ|X_t - X̂_t| • n - кількість прогнозів • Абсолютна помилка • Властивості

Властивості: • Робастність • Інтерпретація • Одиниці вимірювання • Приклади

📈 RMSE

Визначення: • RMSE = √[(1/n)Σ(X_t - X̂_t)²] • n - кількість прогнозів • Квадратична помилка • Властивості

Властивості: • Чутливість до викидів • Інтерпретація • Одиниці вимірювання • Приклади

📈 MAPE

Визначення: • MAPE = (100/n)Σ|X_t - X̂_t|/X_t • n - кількість прогнозів • Відносна помилка • Властивості

Властивості: • Відносність • Інтерпретація • Обмеження • Приклади

📈 Застосування

1. Економіка та фінанси

Застосування в економічних та фінансових даних:

📈 Макроекономіка

Застосування: • ВВП, інфляція • Безробіття • Валютні курси • Властивості

Методи: • ARIMA моделі • VAR моделі • Коінтеграція • Приклади

📈 Фінансові ринки

Застосування: • Ціни акцій • Валютні курси • Товарні ціни • Властивості

Методи: • GARCH моделі • Стохастична волатильність • Копули • Приклади

📈 Бізнес-аналітика

Застосування: • Продажі • Попит • Запаси • Властивості

Методи: • Експоненційне згладжування • ARIMA моделі • Сезонні моделі • Приклади

2. Наука та технології

Застосування в наукових та технологічних областях:

📈 Кліматологія

Застосування: • Температура • Опади • Кліматичні зміни • Властивості

Методи: • Спектральний аналіз • Детерміновані тренди • Сезонні моделі • Приклади

📈 Медицина

Застосування: • Віталійні ознаки • Епідеміологія • Моніторинг • Властивості

Методи: • ARIMA моделі • Експоненційне згладжування • Сезонні моделі • Приклади

📈 Технології

Застосування: • Мережевий трафік • Продуктивність систем • Моніторинг • Властивості

Методи: • ARIMA моделі • Експоненційне згладжування • Сезонні моделі • Приклади

🎯 Висновки

Аналіз часових рядів є важливим розділом статистики, який займається аналізом та прогнозуванням даних, що збираються в послідовні моменти часу. Він включає виявлення трендів, сезонності, циклічних компонентів та випадкових коливань, а також побудову моделей для прогнозування майбутніх значень. Аналіз часових рядів включає стаціонарність як властивість часових рядів, тренди та сезонність як компоненти ряду, ARIMA моделі як авторегресійні моделі, експоненційне згладжування для прогнозування, та спектральний аналіз для частотного аналізу. Аналіз часових рядів має широке застосування в економіці та фінансах, включаючи макроекономіку, фінансові ринки та бізнес-аналітику, а також в науці та технологіях, включаючи кліматологію, медицину та технології.

📚 Пов'язані теми

Математика

Статистика

Теорія ймовірності

Наука про дані

Машинне навчання

📈 Розділи аналізу часових рядів

Стаціонарність

Тренди та сезонність

ARIMA моделі

Експоненційне згладжування

Спектральний аналіз

🔬 Основні поняття

Стаціонарність

Тренди

Сезонність

ARIMA моделі

Прогнозування

📈 Застосування

Економіка

Фінанси

Наука

Технології

Медицина

📖 Рекомендована література

"Time Series Analysis" - Hamilton

"Forecasting" - Hyndman

"Time Series" - Brockwell

"Applied Time Series" - Wei

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Spirograph і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.