چگونه يك مدل مناسب براي داده‌هاي سري زماني انتخاب كنيم؟

How to Choose an Appropriate Model for Time Series Data

مقدمه و اهداف: سری‌های زمانی مجموعه‌ای از مشاهدات هستند كه بر حسب زمان مرتب شده است. هدف اصلی در برپا كردن يك سری زمانی معمولاً پيش‌بينی مقادير آينده می‌باشد. نخستين گام در سری‌های زمانی، رسم نمودار داده‌ها است. با استفاده از رسم نمودار می‌توان اطلاعات كلی از جمله روند صعودی يا نزولی، وجود الگوی فصلی، روند دوره‌ای و وجود داده‌های پرت در داده‌ها را تشخيص داد. پس از رسم نمودار برای اين‌كه پيش‌بينی مناسبی وجود داشته باشد، بايد داده‌ها را ايستا كرد. می‌توان داده‌ها را با استفاده از تفاضل‌گيری يا تجزيه به مؤلفه‌های تشكيل دهنده‌ی آن، ايستا نمود. پس از ايستا كردن داده‌ها می‌توان با استفاده از نمودار نگاره مرتبه ميانگين متحرك و مرتبه اتورگرسيون مدل را شناسايی نمود. لازم است پارامترها به دست آمده را با استفاده از آزمون T از نظر معنی‌داری مورد بررسی قرار داد. در صورت معنی‌دار بودن و عدم وابستگی در باقی‌مانده می‌توان پيش‌بينی مناسبی با كمك داده‌های گذشته انجام داد، هم‌چنين مقادير پيش‌بينی شده را می‌توان با استفاده از ميانگين مطلق درصد خطا ارزيابی نمود.

The time series is a collection of observation data that are arranged according to time. The main purpose of setting up a time series is to predict future values. The first step in time series data is graphed. Using graphs can provide general information such as uptrend or downtrend, seasonal patterns, periodic presence, and outliers in time series graphs. After graphing the data, if a good forecast is required, stationary data can be used. Differencing or decomposition methods can be used to make the data stationary. Then, a correlogram can be used to identify the order moving average and autoregressive model. The parameters of the model are examined using T-test. If the parameters are significant and the residue is independence, the predicted values can be evaluated using the mean absolute percentage error.