Time Series Analysis

Airpassengers 데이터를 이용한 시계열 분석/예측

시계열 분석

• ts명령어를 이용한 time series data 객체 생성
• 자기상관
• 부분자기상관
• 주파수 분석
• 차분을 통한 트랜드 제거

아래 플로팅을 통해 알 수 있는 사실

• acf 결과로 불규칙 시계열임을 알 수 있다.
• pacf를 통해 AR(1) 모델 가능성을 볼 수 있음
• 스펙트럼을 통해 저주파에서 약간 높은 경향이 있음을 알 수 있다.

apts <- ts(AirPassengers, frequency = 12)

plot(apts)

acf(apts)

pacf(apts)

spectrum(apts)

acf(diff(log(AirPassengers)))

pacf(diff(log(AirPassengers)))

장기 추세 제거

• 추세 제거 - 회귀곡선 이용
• 추세 제거 - 차분을 이용

library(zoo)

## Attaching package: 'zoo'

## The following object(s) are masked from 'package:base':
## 
## as.Date, as.Date.numeric

m <- lm(coredata(apts) ~ index(apts))

apts.eltr <- ts(resid(m), index(apts))

plot(apts.eltr)

plot(diff(log(apts)))

apts.diff <- diff(log(apts))

추세(차분), 계절요인(이동평균), 순환변동, 불규칙 변동 추출

• 계절변동
• 모든요인

f <- decompose(apts)

attributes(f)

## $names
## [1] "x"        "seasonal" "trend"    "random"   "figure"   "type"    
## 
## $class
## [1] "decomposed.ts"

plot(f$figure, type = "b", xaxt = "n", xlab = "")

monthNames <- months(ISOdate(2011, 1:12, 1))

axis(1, at = 1:12, labels = monthNames, las = 2)

plot(f)

시계열을 이용한 예측

• 일반적으로 ARIMA보다 지수평활법(exponential smoothing)방법이 좀더 robust하다고 알려져 있다.
• ARIMA는 차수를 구하기 위한 과정이 중요하며, 어떤 모델인지 자동으로 선택되는 것 보다는 직접 데이터를 확인하면서 구하는게 더 나을 수 있음

library(forecast)
apts.arima <- auto.arima(apts)

summary(apts.arima)

## Series: apts 
## ARIMA(0,1,1)(0,1,0)[12]                    
## 
## Coefficients:
##          ma1
##       -0.318
## s.e.   0.088
## 
## sigma^2 estimated as 137:  log likelihood=-508.3
## AIC=1021   AICc=1021   BIC=1026
## 
## In-sample error measures:
##       ME     RMSE      MAE      MPE     MAPE     MASE 
##  0.26749 11.17471  8.27956  0.03319  2.95828  0.32017

fore <- predict(apts.arima, n.ahead = 24)

U <- fore$pred + 2 * fore$se
L <- fore$pred - 2 * fore$se


apts.smoothing <- HoltWinters(apts, seasonal = "mul")
fore2 <- predict(apts.smoothing, n.ahead = 24)


ts.plot(apts, fore$pred, U, L, fore2, col = c(1, 2, 4, 4, 6), lty = c(1, 1, 
    2, 2, 3))
legend("topleft", c("Actual", "ARIMA", "ARIMA Error Bounds (95% Confidence)", 
    "exponential smoothing"), col = c(1, 2, 4, 6), lty = c(1, 1, 2, 3))

분산을 일정하는 하는 변수 변환을 한 경우

• 추정 모수의 개수는 늘어났지만 AIC나 BIC 값이 이전보다 크게 줄어든 것을 볼 수 있다.

apts.log <- log(apts)
apts.log.arima <- auto.arima(apts.log)

summary(apts.log.arima)

## Series: apts.log 
## ARIMA(0,1,1)(2,1,2)[12]                    
## 
## Coefficients:
##          ma1    sar1    sar2   sma1    sma2
##       -0.429  -1.000  -0.019  0.431  -0.490
## s.e.   0.090   0.261   0.178  0.293   0.173
## 
## sigma^2 estimated as 0.00131:  log likelihood=245.5
## AIC=-478.9   AICc=-478.2   BIC=-461.7
## 
## In-sample error measures:
##        ME      RMSE       MAE       MPE      MAPE      MASE 
## 0.0006109 0.0345961 0.0259718 0.0116426 0.4701051 0.2867096

fore <- predict(apts.log.arima, n.ahead = 24)

U <- fore$pred + 2 * fore$se
L <- fore$pred - 2 * fore$se


apts.smoothing <- HoltWinters(apts.log, seasonal = "mul")
fore2 <- predict(apts.smoothing, n.ahead = 24)


ts.plot(exp(apts.log), exp(fore$pred), exp(U), exp(L), exp(fore2), col = c(1, 
    2, 4, 4, 6), lty = c(1, 1, 2, 2, 3))
legend("topleft", c("Actual", "ARIMA", "ARIMA Error Bounds (95% Confidence)", 
    "exponential smoothing"), col = c(1, 2, 4, 6), lty = c(1, 1, 2, 3))

지표를 좀더 살펴 보면 아래와 같다.

sma1, sar2의 경우 추정 모수에 비해 s.e가 너무 크며 모수가 0을 포함하고 있는 것을 알 수 있다. 따라서 이를 제거한 결과를 모델링해 볼 필요가 있다.

apts.log.arima <- arima(apts.log, order = c(0, 1, 1), seasonal = list(order = c(0, 
    1, 1), period = 12))


summary(apts.log.arima)

## Series: apts.log 
## ARIMA(0,1,1)(0,1,1)[12]                    
## 
## Coefficients:
##          ma1    sma1
##       -0.402  -0.557
## s.e.   0.090   0.073
## 
## sigma^2 estimated as 0.00135:  log likelihood=244.7
## AIC=-483.4   AICc=-483.2   BIC=-474.8
## 
## In-sample error measures:
##        ME      RMSE       MAE       MPE      MAPE      MASE 
## 0.0005731 0.0350488 0.0262603 0.0109890 0.4752815 0.2898953

fore <- predict(apts.log.arima, n.ahead = 24)

U <- fore$pred + 2 * fore$se
L <- fore$pred - 2 * fore$se


apts.smoothing <- HoltWinters(apts.log, seasonal = "mul")
fore2 <- predict(apts.smoothing, n.ahead = 24)


ts.plot(exp(apts.log), exp(fore$pred), exp(U), exp(L), exp(fore2), col = c(1, 
    2, 4, 4, 6), lty = c(1, 1, 2, 2, 3))
legend("topleft", c("Actual", "ARIMA", "ARIMA Error Bounds (95% Confidence)", 
    "exponential smoothing"), col = c(1, 2, 4, 6), lty = c(1, 1, 2, 3))

ARIMA 모형 진단하기

아래 그래프의 결과 아래와 같은 사실을 알 수 있다.

• 잔차가 균등하다.
• 잔차의 자기 상관이 없다.
• p-value가 모두 귀무가설(자기상관이 0이다.)을 기각하지 못한다.

결과적으로 우리는 적절한 모델을 만들어 낸 것을 알 수 있다.

tsdiag(apts.log.arima)