다음 중 올바른 설명은 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
어떤 데이터 분석이든 가장 먼저 해야 할 일은 데이터를 그려 보는 것입니다. 그래프는 패턴, 특이한 관측값, 시간에 따른 변화 등 데이터를 다양한 측면에서 한눈에 파악하게 해 줍니다. 이렇게 그래프에서 확인한 특징들은 가능한 한 예측 방법에도 반영되어야 해요.
이 장에서는 다양한 예측 상황에 두루 유용한 일반 도구들을 배웁니다. 벤치마크 예측 방법, 예측 방법이 가용 정보를 충분히 활용했는지 점검하는 방법, 그리고 예측 정확도를 측정하는 방법을 살펴볼 거예요. 여기서 다루는 도구들은 이후 장에서도 여러 예측 방법을 개발하고 탐색할 때 반복해서 사용됩니다.
현재 연습
지수 평활법으로 만든 예측은 과거 관측값의 가중 평균이며, 관측 시점이 오래될수록 가중치는 지수적으로 작아집니다. 다시 말해, 더 최근의 관측값일수록 더 큰 가중치를 받습니다. 이 틀은 다양한 시계열에 대해 빠르게 신뢰할 만한 예측을 제공하므로, 특히 비즈니스 응용에서 큰 장점이자 매우 중요합니다.
ARIMA 모델은 시계열 예측에 대한 또 다른 접근을 제공합니다. 지수 평활법과 ARIMA 모델은 시계열 예측에서 가장 널리 쓰이는 두 가지 접근으로, 서로 보완적인 관점을 제시해요. 지수 평활법이 데이터의 추세와 계절성을 기술하는 데 기반한다면, ARIMA 모델은 데이터의 자기상관 구조를 설명하는 데 초점을 맞춥니다.
앞선 장의 시계열 모델들은 많은 시계열에서 잘 작동하지만, 주간 또는 시간 단위 데이터에는 적합하지 않은 경우가 있고, 휴일 효과, 경쟁사 활동, 법·제도 변화 같은 추가 정보를 포함하기 어렵습니다. 이 장에서는 더 복잡한 계절성을 다루는 몇 가지 방법을 살펴보고, 이러한 외생 정보를 모델에 포함할 수 있도록 ARIMA 모델을 확장하는 방법을 고려합니다.
