[ SAS 활용 노하우 ] TimeSeries Forecasting part2

[#1]

이번 게시글은 [ SAS 활용 노하우 ] Forecasting part1의 이어지는 게시글입니다.

4. Model Selection Method

다양한 시계열 모형을 생성한 후 여러 적합통계량 기준 하에 분석데이터의 적합률이 높은 모형을 선택

[ Model Comparison - 예시 ]

모형을 비교하여 선택하기 위하여 다양한 적합통계량들이 존재하며 대표적으로 MAPE, AIC, BIC, SSE의 통계량을 사용합니다.

* 주요특성

1. 생성된 시계열 모형을 Overplot을 통하여 시각적으로 확인합니다.

2. 다양한 평가 기준하에 동시 비교 가능합니다.

3. 분석 데이터에 대한 적합통계량 기준으로 모형을 선택하였기 때문에 반드시 좋은 모형이라고 할 수 없습니다.

4. 일반적인 MAPE(Mean Absolute Percentage Error) 적합통계량을 가장 많이 사용합니다.

* 활용방안

생성된 다양한 모형에 대하여 1차적으로 성능을 판단하기 위하여 분석데이터의 적합통계량을 지표로 사용하여 단순하지만 예측이 높은 모형의 간명성의 원칙을 기준으로 모형을 비교평가에 사용할 수 있습니다.

5. Moving Average

일반적인 평균방법을 응용해서 예측하는 방법입니다. 계속적으로 이동하면서 평균을 내어서 다음값을 예측하는 방법입니다.

[ 단순 이동평균법 Ex ]

[ 가중 이동평균법 Ex ]

[ 이동중위수 EX ]

* 주요특성

1. 단순이동평균법 : 최근 데이터를 계속적으로 이동하면서, 평균을 내어서 다음 값을 예측하는 방법입니다.

2. 가중이동평균법 : 최근 데이터에 더 많은 가중치를 두고, 시점이 멀어질수록 가중치를 적게 주어서 이동평균을 내는 방법입니다.

3. 이동중위수 : 이동평균에서 평균이 아닌 중위수(Median)을 이용한는 판매량의 초단기 예측에 활용 가능합니다.

이동중위수는 정한 경기적인 흐름이 아닌 사람의 기호도 또는 각종 영향요소에 많은 자극을 받는 예측의 경우에 활용 가능합니다. 

6. Exponential Smoothing

과거의 자료들이 미래에 대한 정보를 가지고 있으나, 현재로부터 과거로 갈수록 상관 정도가 점차로 적어진다고 가정한 예측방법론입니다.

[ 지수평활법 Ex ]

[ 지수평활법 분석 결과 ]

* 주요특성

• 지수평활법 - 가장 최근에 관측된 자료에는 큰 가중값을 두고 과거로 갈수록 그 가중값의 크기를 줄여나가는 일종의 가중평군을 이용한 예측 방법입니다.
• 데이터의 형태에 따라 단순지수평활, 이중지수평활, 계절지수평활, 원터스 지수평활 등을 다양한 방법을 활용하여 분석이 가능합니다.

* 활용방안

• 전체적으로 변화가 거의 없는 예측(예를 들면 시청률, 공장의 불량률, 판매 증가량이 일정한 예측)에 많이 활용하고 중장기 예적의 경우 시계열의 모든 방법이 거의 모두 평균에 수렴하므로 이때도 지수 평활을 대표적인 방법으로 활용 가능합니다.

7. ARIMA

자기회귀(Auto Regression)를 나타내는 AR과 이동평균(Moving Average)을 나타내는 MA, 그리고 계절적 차분(Differential)를 나타내는 I가 합쳐져서 나온 시계열의 종합적 모형

[ ARIMA 모형 ]

* 주요특성

• 다른 설명변수의 도입 없이 과거데이터와 오차항만을 가지고 시계열에 적합한 모형을 설정할 수 있는 가장 간편한 모형
• 일반적으로 가장 많이 사용하는 시계열 알고리즘
• ARIMA 모형을 표현하는 P, D, Q 계수에 의해 다양한 시계열 표현가능(모형에 추세적 특성이 반영되어 있어 데이터를 따라 차분할 필요가 없음)

* 활용방안

• 주로 5개월 미만의 단기예측에 사용합니다. ( 예측주기 : 월, 주, 일)
• 분석 하려는 대상의 시계열 자료가 가지는 구조가 과거로부터 미래에 이르기까지 지속적으로 유지될 것으로 판단되는 시계열 분석에 유용하게 사용됩니다.