ACF를 시계열과 짝지으세요

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.

Exercise 1: 예측과 가능한 미래 Exercise 2: 나이브 예측 방법 Exercise 3: 적합값과 잔차 Exercise 4: 시계열 잔차 점검하기 Exercise 5: 훈련 세트와 테스트 세트 Exercise 6: 비계절성 방법의 예측 정확도 평가 Exercise 7: 계절성 방법의 예측 정확도 평가하기 Exercise 8: 좋은 예측 모델일까요?Exercise 9: 시계열 교차 검증 Exercise 10: tsCV()를 이용한 시계열 교차 검증

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.

Exercise 1: 지수 가중 예측 Exercise 2: 단순 지수평활법 Exercise 3: SES vs naive Exercise 4: 추세가 있는 지수 평활법 Exercise 5: 홀트의 추세 방법 Exercise 6: 추세와 계절성을 포함한 지수 평활 기법 Exercise 7: 월별 데이터에 Holt-Winters 적용 Exercise 8: 일별 데이터에 대한 Holt-Winters 방법 Exercise 9: 지수 평활의 상태 공간 모형 Exercise 10: 지수 평활을 이용한 자동 예측 Exercise 11: ETS 대 계절형 naive Exercise 12: 시계열과 모델 매칭하기 Exercise 13: ETS는 언제 한계가 있나요?

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.

Exercise 1: 분산 안정화를 위한 변환 Exercise 2: 시계열에 대한 Box-Cox 변환 Exercise 3: 정상성을 위한 비계절 차분 Exercise 4: 정상성을 위한 계절 차분 Exercise 5: ARIMA 모델 Exercise 6: 비계절형 시계열을 위한 자동 ARIMA 모델 Exercise 7: ARIMA 모델로 예측하기 Exercise 8: 비계절성 데이터에서 auto.arima()와 ets() 비교 Exercise 9: 계절형 ARIMA 모델 Exercise 10: 계절형 시계열에 대한 자동 ARIMA 모델 Exercise 11: auto.arima() 옵션 살펴보기 Exercise 12: 계절성이 있는 데이터에서 auto.arima()와 ets() 비교

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.

Exercise 1: 동적 회귀 Exercise 2: 광고비를 반영한 매출 예측 Exercise 3: 전력 수요 예측 Exercise 4: 동적 고조파 회귀 Exercise 5: 주간 데이터 예측 Exercise 6: 복수 계절성을 위한 고조파 회귀 Exercise 7: 콜 예약 예측하기 Exercise 8: TBATS 모델 Exercise 9: 전력 수요를 위한 TBATS 모형 Exercise 10: 시계열 예측에서의 미래를 그려봐요!