Analyse des séries chronologiques 2 Stabilité, modèle ARMA / ARIMA

Aidemy 2020/10/29

introduction

Bonjour, c'est Yope! Bien que ce soit un système littéraire croustillant, j'étais intéressé par les possibilités de l'IA, alors je suis allé à l'école spécialisée en IA "Aidemy" pour étudier. Je voudrais partager les connaissances acquises ici avec vous, et je les ai résumées dans Qiita. Je suis très heureux que de nombreuses personnes aient lu l'article de synthèse précédent. Merci! Ceci est le deuxième article de l'analyse des séries chronologiques. Ravi de vous rencontrer.

Quoi apprendre cette fois ・ À propos de stationnaire ・ À propos du modèle ARMA / ARIMA

La constance

Qu'est-ce que stationnaire

-Dans les données chronologiques, __ "fluctue toujours et change avec une valeur constante autour d'une valeur constante quel que soit le passage du temps" __ est exprimé comme __ constante. -Il est nécessaire de vérifier visuellement si les données ont les caractéristiques mentionnées ci-dessus en visualisant les données une fois pour vérifier si elles sont stables. -Dans l'analyse des séries chronologiques, si une série chronologique sans constance est traitée telle quelle, une corrélation dénuée de sens (__ pseudo-corrélation __) peut être détectée, elle est donc convertie en série chronologique avec stationaryness. Il y a un besoin.

Stabilité faible / forte

-__ Faiblement stationnaire __ signifie que la __ valeur attendue et l'auto-covariance des données chronologiques sont toujours constantes __. ・ Puisque la valeur attendue est constante, on peut dire que "toujours une valeur constante est l'axe", et comme l'auto-covariance est constante, on peut dire que "elle fluctue et change dans la même plage", donc elle est stationnaire. On peut dire qu'il y a un certain état.

bruit blanc

-__ Le bruit blanc__ signifie que la valeur attendue est 0 à tous les instants, la dispersion est constante et la co-dispersion est 0 (faible stabilité). -Sur les modèles du modèle de série temporelle, __ fluctuation irrégulière (erreur) __ est difficile à exprimer mathématiquement, donc le bruit blanc est utilisé pour y faire face.

Modèle ARMA / ARIMA / SARIMA

À propos du modèle ARMA / ARIMA / SARIMA

-__ Modèle ARMA / ARIMA __ est un modèle utilisé lors de l'analyse de séries chronologiques. -Il existe également un modèle appelé SARIMA dans ces deux types de développement, et enfin le modèle SARIMA est utilisé pour l'analyse des séries chronologiques. -Le modèle ARMA / ARIMA est une combinaison de modèles appelés __ "AR" et "MA" __. Ceci sera décrit en détail dans les sections suivantes.

Modèle AR

-Dans le modèle AR, une autocorrélation est créée en exprimant __ les données chronologiques "yk" à un certain point temporel k en utilisant les données "yk-1" au point temporel précédent. -Comme la valeur des données est estimée de manière récursive à partir de la valeur passée de cette manière, le modèle AR est également appelé __ "modèle de retour automatique" __. À ce moment, lorsque les données suivantes sont prédites à l'aide des p données passées, elles sont exprimées par __AR (p) __.

Modèle MA

-Dans le modèle MA, une autocorrélation est créée en exprimant le bruit blanc "εk" dans les données de la série temporelle à un certain moment en utilisant le bruit blanc précédent "εk-1". -Comme le bruit blanc montre des fluctuations irrégulières (erreurs), on peut dire que le modèle MA est __ un modèle qui est affecté par les erreurs passées. À ce stade, lors de la prédiction des données suivantes à l'aide des erreurs q passées, elles sont exprimées par __MA (q) __.

Modèle ARMA

-Comme mentionné ci-dessus, le modèle ARMA est un modèle réalisé en combinant le modèle AR et le modèle MA. -Lorsque AR (p) et MA (q) sont combinés, il est exprimé par __ARMA (p, q) __.

Modèle ARIMA

-Le modèle ARIMA est un "modèle ARMA qui convertit les données passées dans la série d'origine en une série de différences". -Le modèle ARMA auquel la série d'origine est passée ne peut gérer que les données et les processus avec constance, mais le modèle ARIMA qui se convertit en série de différences peut également gérer des données et des processus sans constance.

-Lorsque le modèle est ARMA (p, q) et que la différence lors de la conversion est d (la différence est prise avant le point d), elle est exprimée par __ARIMA (p, d, q) __. -A ce moment, "p" est appelé __ degré d'auto-corrélation __, "d" est appelé __induction __, et "q" est appelé __ moyenne mobile __.

Sommaire

-Faiblement stationnaire de la stationnaire signifie que __ la valeur attendue et l'auto-covariance des données de séries chronologiques sont toujours constantes . - Bruit blanc__ signifie que la valeur attendue est 0 à tout moment, la dispersion est constante et la covariance est 0. -Il existe un modèle ARMA et un modèle ARIMA comme modèles utilisés lors de l'analyse de séries chronologiques. Ces modèles sont créés en combinant le modèle AR et le modèle MA, et comme le modèle ARIMA convertit les données en une série de différences, il peut gérer des données non stationnaires.

Cette fois, c'est fini. Merci d'avoir lu jusqu'au bout.

Recommended Posts

Analyse des séries chronologiques 2 Stabilité, modèle ARMA / ARIMA
Python: Analyse des séries temporelles: Constantity, modèle ARMA / ARIMA
J'ai essayé l'analyse de séries chronologiques! (Modèle AR)
Analyse des séries chronologiques Partie 2 AR / MA / ARMA
Analyse des séries chronologiques 4 Construction du modèle SARIMA
[Statistiques] [Analyse des séries chronologiques] Tracez le modèle ARMA et saisissez la tendance.
Python: analyse des séries chronologiques
Analyse des séries chronologiques RNN_LSTM1
Analyse des séries chronologiques 1 Principes de base
Python: analyse des séries temporelles: création d'un modèle SARIMA
Adapté au modèle ARMA, ARIMA
Analyse des séries chronologiques partie 4 VAR
Analyse de séries chronologiques Partie 3 Prévisions
Analyse de séries chronologiques Partie 1 Autocorrélation
Python: analyse des séries chronologiques: prétraitement des données des séries chronologiques
Analyse des séries chronologiques
Analyse des séries chronologiques 3 Prétraitement des données des séries chronologiques
Analyse des séries chronologiques n ° 6 Faux retour et partie républicaine
Décomposition des séries temporelles
Introduction à l'analyse des séries temporelles ~ Modèle d'ajustement saisonnier ~ Implémenté en R et Python
J'ai essayé d'implémenter "Bases de l'analyse des séries temporelles et du modèle d'espace d'état" (Hayamoto) avec pystan
Python 3.4 Créer un environnement Windows7-64bit (pour l'analyse des séries chronologiques financières)
Question sur la série chronologique Python
Afficher les séries chronologiques TOPIX
Diagramme de séries chronologiques / Matplotlib
Défi des prévisions de ventes futures: ② Analyse des séries chronologiques à l'aide de PyFlux
Une méthode d'étude pour les débutants pour apprendre l'analyse des séries chronologiques
Défi des prévisions de ventes futures: ⑤ Analyse des séries chronologiques par Prophet
Défi pour les prévisions de ventes futures: ① Qu'est-ce que l'analyse des séries chronologiques?
Analyse de séries temporelles par modèle général d'espace d'états gaussien à l'aide de Python [Exemple d'implémentation considérant extrinsèque et saisonnalité]