Free access is closing! 700+ free courses are waiting.
Ends in:
Start Now
Şimdi, ARIMA'nın farklı sektörlerdeki uygulamalarını tartışalım. Ekonomiden finansa, hava tahmininden sağlığa kadar çok çeşitli alanlar, veriden içgörüler elde etmek ve tahmin doğruluğu peşinde ARIMA modellerini kullanıyor. Öne çıkan bazıları şunlardır:
ARIMA'nın gücü, çoğu zaman karmaşık otokorelasyonlar ve birden çok ekonomik gösterge arasındaki etkileşimler içeren finansal zaman serilerini ele alma kapasitesinde yatar. Gecikme etkilerini modelleme ve fark almayı dahil edebilme yeteneği, hisse fiyatları veya döviz kurları gibi oynak metrikleri tahmin etmek için idealdir.
ARIMA modelleri, tarihsel hava örüntülerinden yararlanarak kısa ve uzun vadeli tahminler sağlar; bu sayede hem tipik hem de aşırı hava koşullarını öngörecek kadar esnektir.
ARIMA'nın gecikme etkilerini modelleyebilmesi, tedarik zinciri yöneticilerinin envanteri yönetmesine veya geçmiş örüntülere ve tedarik sürelerine dayalı kesintileri öngörmesine yardımcı olur.
Sağlık alanında ARIMA modelleri, hasta kabulleri ve diğer önemli eğilimleri tahmin edebildikleri için özellikle değerlidir.
ARIMA modelleri kurarken kaçınılması gereken bazı yaygın hatalar şunlardır:
Yanlış p, d ve q değerlerini seçmek, aşırı uyuma veya eksik uyuma yol açabilir. Modelimiz çok karmaşık olduğunda ve verimizdeki gürültüye yapıştığında, yeni gözlemlere iyi genellenemediği için aşırı uyum yaparız. Diğer uçta ise eksik uyum, modelimizin yeterince karmaşık olmaması ve alttaki kalıpların tümünü yakalayamaması anlamına gelir.
Aşırı uyumu önlemek için daha az gecikme terimi ve muhtemelen daha az fark alma terimi kullanmak bir yaklaşım olabilir. Eksik uyum, uygun olduğunda otoregresif terimlerin sayısını artırarak düzeltilebilir. Karmaşıklık ile sadelik arasında denge kurmak gerekir. Doğrulama/çapraz doğrulama gibi teknikler yardımcı olabilir.
Durağanlık, verinin zamana bağlılıklarıyla ilgili bir istatistiksel varsayımdır. Durağan olmayan veriler, güvenilmez tahminlere ve sahte ilişkilere yol açabilir. Durağan olmayan verileri durağan hale getirmek için fark alma veya log dönüşümleri ya da mevsimsel düzeltmeler gibi dönüşümler kullanılabilir.
Mevsimselliğin varlığı, zaman serisi analizi yaparken dikkate alınması gereken bir diğer önemli bileşendir. Birçok gerçek dünya veri kümesi günlük, haftalık ve yıllık gibi sabit aralıklarda yinelenen kalıplar sergiler. Bu mevsimsel kalıpları göz ardı etmek uygunsuz tahminlere yol açabilir. Mevsimsellik bağlamında, p ve q değerlerine ek olarak mevsimsel farklar ile mevsimsel AR ve MA terimlerine ihtiyaç duyarız. Bir serinin birden fazla türde mevsimselliğe sahip olabileceğini unutmayın.
ARIMA modellemesindeki en önemli adımlardan biri, üretilen artık serisinin durağan olup olmadığını kontrol etmektir. Artıklar, gözlenen değerlerle modelin ürettiği değerler arasındaki farklardır. Artıklara bakarak, modelimizin verideki dinamikleri bulup onlarla çalışıp çalışamadığını kontrol edebiliriz. Artıklar, herhangi bir eğilim veya korelasyon belirtisi göstermeden rastgele saçılım sergilemelidir.
Artıklar kalıplar veya korelasyonlar gösterdiğinde, modelin tam olarak yakalayamadığı bir bilgi olduğu anlamına gelir. Modelin yeterliliğini doğrulamak için Ljung-Box testi de dahil olmak üzere istatistiksel testler ve histogramlar ile diğer tanısal grafikler kullanılabilir.
Çoğu durumda ARIMA nihai adım değildir. ARIMA, otoregresif veya hareketli ortalama modellerinin bir evrimi olduğu gibi, daha yeni fikirler de geliştirilmiştir. Bir kere, ARIMA modelleri bir zaman serisindeki hem doğrusal hem doğrusal olmayan kalıpları ele alabilir. Mevsimsel bir tahmin istiyorsanız, zaman serimizde çok dönemli/döngüsel kalıpları ele alabilen SARIMA modellerini düşünün. SARIMA modelleri, verilerin yinelenen örüntü veya çevrimsel davranış sergilediği satış tahmini ve hava tahmini gibi alanlarda özellikle yararlıdır. ARIMAX modelleri de başka popüler seçeneklerdir. ARIMAX, harici bir değişken veya dışsal yordayıcı alan ARIMA modelleridir. Tahminlerimizin performansı ve doğruluğuna büyük ölçüde yardımcı olabilirler.
Ayrıca, makine öğrenmesi alanına geçerek, yinelenen sinir ağları (RNN) ve LSTM gibi araçlarla karmaşık zamansal bağımlılıkları tahmin etmek için zaman serisi analizine daha derinlemesine dalmayı düşünebiliriz. Son bir düşünce olarak, Bayesçi zaman serisi analizi alanı ve böyle bir yaklaşımın tahmin ve karar verme konusunda nasıl faydalar sağlayabileceğini anlamak da önemlidir.
Gördüğümüz gibi, ARIMA, zaman serilerini değerlendiren ve hem otoregresif hem de hareketli ortalama unsurlarını dikkate alarak gelecekteki değerleri tahmin eden yaygın bir istatistiksel modeldir. Belirli bir veri kümesinin özellikleri bir diğerinden çok farklı olsa bile tarihi verilerden bir tahmin üretmemize olanak tanır. Uyarlanabilirliği, onu yaygın ve çok kullanılan bir tahmin yöntemi yapar.
ARIMA'nın temellerine hakim olmak için uygulamalı deneyim önemlidir. DataCamp, öğrenme ihtiyaçlarınıza göre ARIMA modellemesi konusunu geliştirmek ve ustalaşmak için kapsamlı kurslar sunar. Bu üst düzey çevrimiçi eğitimlerde, ARIMA modellemesinin temellerini ve gerçek dünya problemlerini çok daha az çabayla (ve daha kısa sürede) çözen analitik çözümleri uygulamak için en pratik araç ve teknikleri öğrenin. Sonunda, gelecekteki veri bilimi çalışmalarınızda ARIMA modellemesini uygulamaktan rahat hissetmelisiniz. DataCamp'te mevcut ARIMA modelleme kurslarına göz atın ve zaman serisi analizinde maksimum potansiyelinize ulaşın: R ile Tahmin, R ile Zaman Serileri, Python ile ARIMA Modelleri, R ile ARIMA Modelleri.
Bilgisayar Bilimleri Çıraklık programında yarı zamanlı öğretim görevlisiyim; 5 yıllık Yazılım Mühendisliği deneyimine ve 5+ yıllık Veri Bilimi tecrübesine sahibim. Mevcut araştırmalarım, Eğitim Teknolojileri (EdTech) ve yapay zekâda (FATE) • Sosyal Fayda/Etkı için Veri Bilimi üzerine odaklanmaktadır. Öğretim görevliliğine ek olarak, okul sonrası Python programlama eğitimi veren bir Kodlama Eğitmeni ve bilgi paylaşarak, en yeni eğilimler ile tekniklere dair içgörüler sunan bir Teknik Mentorum. Ayrıca teknoloji dünyasında üniversite öğrencilerine İş Arama becerileri (Mülakat, CV Hazırlama, İş Seçimi, Portföy, Kariyer Koçluğu) konularında Profesyonel Eğitmen olarak eğitim veriyorum.
ARIMA (Otoregresif Entegre Hareketli Ortalama) modeli, geçmiş gözlemleri (AR), durağanlık sağlamak için fark almayı (I) ve tahminleri iyileştirmek için geçmiş hataları (MA) birleştirerek gelecekteki değerleri öngören, zaman serisi tahmini için popüler bir istatistiksel yöntemdir.
ARIMA modellerinin bir seriyi otokorelasyonlarıyla tanımladığını söyleyebiliriz. Daha güçlü ve esnek bir tekniktir; genellikle istikrarlı, uzun vadeli tahminler üretmek için kullanılır. Üssel düzeltme daha çok eğilim ve mevsimselliğe odaklanır ve tipik olarak kısa, oynak seriler için daha iyi performans gösterdiği düşünülür.
ARIMA tahmini, geçmiş değerleri ve hataları kullanarak gelecekteki veri noktalarını tahmin ettiği için regresyon modellemesiyle ilişkilidir; tıpkı regresyon modellerinin bağımlı değişkenleri bağımsız değişkenlerle tahmin etmesi gibi. ARIMA ayrıca durağan olmayan zaman serilerini fark alarak ele alır; bu da onu durağan veriler üzerinde kullanılan regresyon teknikleriyle uyumlu hale getirir. Geleneksel regresyon modellerinden farklı olarak ARIMA, zaman bağımlı etkileri açıkça hesaba katar ve bu da onu zaman serisi tahmini için daha uygun kılar.
blog

blog
Eğitim
DataCamp ile Öğrenin
Kurs
Yöneticiler ve işletmeler için veri bilimi hakkında bilgi edinin ve verileri kullanarak kuruluşunuzu nasıl güçlendirebileceğinizi öğrenin.
Kurs
Python ile Veri Bilimi’ne dalın ve verilerinizi etkili biçimde analiz edip görselleştirmeyi öğrenin. Kodlama deneyimi veya becerisi gerekmez.
Kurs
CFO rolünü üstlenin ve finansal tahminler oluştururken yönetim kuruluna temel göstergeler hakkında nasıl danışmanlık yapacağınızı öğrenin.
En popüler (hatta muhtemelen en popüler) zaman serisi tahmin tekniklerinden biri olan ARIMA'ya bir göz atalım. ARIMA, hem otoregresif (AR) hem de hareketli ortalama (MA) bileşenlerini yakalarken, fark alma (I) yoluyla durağan olmama sorununu da ele aldığı için zaman serisi verilerini etkili biçimde modelleyerek popüler hale gelmiştir. Bu kombinasyon, ARIMA modellerini özellikle esnek kılar; bu yüzden finans ve hava tahmini gibi çok farklı sektörlerde kullanılır.
ARIMA modelleri oldukça tekniktir; ancak bölümlere ayırarak güçlü bir anlayış geliştirmenizi sağlayacağım. Başlamadan önce bazı temel araçlara aşina olmak iyi bir fikirdir. DataCamp, tercih ettiğiniz dile bağlı olarak seçebileceğiniz Python ile ARIMA Modelleri veya R ile ARIMA Modelleri gibi birçok iyi kaynak sunuyor.
Neden ARIMA Tahmini Kullanılır?
Finans, ekonomi ve çevre bilimleri gibi alanlarda ARIMA büyük ilgi görür; çünkü geçmiş gözlemlerimizdeki karmaşık örüntüleri belirleyip geleceğe yönelik ihtiyaçlarla ilişkilendirebilir; bu da onu güncel bir teknik yapar. Hisse senedi fiyatlarını tahmin etmekten, hava durumu örüntülerini öngörmeye ve tüketici talebini anlamaya kadar ARIMA, doğru ve eyleme geçirilebilir öngörüler üretmenin harika bir yoludur.
ARIMA kullanarak, kalıpları, eğilimleri ve mevsimselliği hesaba katarak zaman serisi verilerini hem analiz edip hem de ileri dönük tahmin edebiliriz. Bu da bilinçli kararlar almak için altta yatan dinamiklere 360 derecelik bir bakış sağlar.
ARIMA Modellerinin Temel Bileşenleri
ARIMA'yı gerçekten anlamak için yapı taşlarını sökmemiz gerekir. Bileşenleri kavradığımızda, bu zaman serisi tahmin yönteminin bütünüyle nasıl çalıştığını görmek kolaylaşacaktır. Burada her bileşeni ayrıntılı olarak açıklayacağım.
Otoregresif (AR) kısım
Otoregresif (AR) bileşen, tahminleyici modellerde AR çerçevesi içinde geçmiş değerlerden bir eğilim oluşturur. Açıklık getirmek gerekirse, 'otoregresyon çerçevesi', serinin kendi geçmiş değerlerinin gecikmelerini yordayıcı değişkenler olarak kullandığınız bir regresyon modeli gibi çalışır.
Entegre (I) kısım
Entegre (I) kısmı, zaman serisinin durağan olmasını sağlamak amacıyla fark alma işlemini içerir; bu, ortalama ve varyansın zaman içinde sabit kalması anlamına gelir. Temelde, eğilimleri ve mevsimselliği ortadan kaldırmak için bir gözlemden bir sonrakini çıkarırız. Fark alma yaparak durağanlık elde ederiz. Bu adım, modelin veriye değil gürültüye uyum sağlamasını engellediği için gereklidir.
Hareketli ortalama (MA) kısım
Hareketli ortalama (MA) bileşeni, bir gözlem ile artık hata arasındaki ilişkiye odaklanır. Mevcut gözlemin geçmiş hatalarla nasıl ilişkili olduğuna bakarak, verimizdeki olası bir eğilim hakkında yararlı bilgiler çıkarabiliriz.
Artıklardan bir kısmını bu hatalardan biri olarak düşünebilir ve hareketli ortalama modelinin kavramı bunların en son gözlemimiz üzerindeki etkisini tahmin eder veya dikkate alır. Bu, özellikle verideki kısa vadeli değişimleri veya rastgele şokları izlemek ve yakalamak için kullanışlıdır. Bir zaman serisinin (MA) kısmında, davranışı hakkında değerli bilgiler edinebiliriz; bu da daha isabetli öngörüler yapmamızı sağlar.
Python ile ARIMA Modeli Nasıl Kurulur
Altın fiyatları gibi bir büyüklüğü tahminlemek için ARIMA modeli kurmak üzere şu adımları izleyebilirsiniz. Gelin birlikte parçalara ayıralım.
Veri toplama
İlk adım, uygun bir veri kümesi hazırlamak ve çalışma ortamımızı kurmaktır.
Bir veri kümesi bulun
Veri kaynak platformlarından bir veri kümesi toplayın veya arayın. Zaman içinde tarihsel veriler içeren bir küme istemeniz gerekir. Altın vadeli fiyatlarına ilişkin Kaggle veri kümesine bağlantı burada.
Paketleri kurun
Gereken paketleri kuruyoruz; bunlara
statsmodelsvesklearndahildir.Veriyi yükleyin
Ardından veriyi yerel ortamımıza okuyoruz. Tarihlerin doğru sırada tanındığından emin olmak için fazladan bir adım atıyorum.
Veri ön işleme
Veri kümemiz oldukça temiz; ancak başka bağlamlarda zaman serisi tahminlerinde önemli olan indeksleme sorunlarıyla uğraşmamız gerekebilirdi. Örneğin, belirli bir borsadaki bir hissenin kapanış değerini tahmin ederken, borsanın hafta sonları açık olmadığını dikkate almak gerekir.
Devam etmeden önce, kullanacağım
Closedeğişkeninden virgülleri kaldırma adımını da hızlıca atıyorum.Eksik değerleri ele alın
Veri ön işlemenin bir parçası olarak, ileri doldurma veya ortalama ile tamamlama gibi bir atama yöntemi kullanarak eksik değerleri nasıl ele alacağımızı da sıkça düşünmemiz gerekir. Kullandığınız programlama dili ve kütüphaneye bağlı olarak tek bir
NAdeğerin bile ARIMA'nın çalışmasını engelleyebileceğini bilin.Hafta sonu günlerinin
NAolarak tanınabileceğinden bahsetmiştim. Bu mümkün olabilir ve ek bir adım gerektirebilir. Neyse ki,statsmodelsveriyi düzenli zaman aralıklarını katı biçimde zorunlu kılmadan sıralı bir indeks olarak ele alır; bu da modelimizin hafta sonu boşlukları olsa dahi derlenmesine olanak tanır.Bir zaman grafiği oluşturun
Şimdi, üzerinde çalıştığımız seriyi görebilmek için bir zaman grafiği oluşturmak için iyi bir zaman:
Durağanlığı kontrol edin ve gerekirse fark alma uygulayın
ARIMA modelleri belli bir noktaya kadar durağan olmama ile başa çıkabilse de, zamanla değişen varyansı etkili biçimde hesaba katamazlar. Başka bir deyişle, bir ARIMA modelinin gerçekten işe yaraması için verinin durağan olması gerekir.
Yukarıdaki grafiğe baktığımızda, belirgin bir eğilim olduğu için verinin aslında durağan olmadığını görebiliriz. Ayrıca farklı zaman noktalarında değişken olmayan bir varyans da var gibi görünüyor. Bu sezgimizi sınamak ve verimizin sabit bir ortalama ve varyansa sahip olup olmadığını görmek için Genişletilmiş Dickey-Fuller testini kullanabilir ve bunu sayısallaştırabiliriz.
Genişletilmiş Dickey-Fuller testimizin sonuçları, özgün serimizin gerçekten durağan olmadığını gösteriyor; bu nedenle orijinal veri üzerinde doğrudan bir ARIMA kullanmak hata olurdu.
Buna karşın, fark alınmış sürüm üzerindeki ADF testi fark alınmış verinin durağan olduğunu gösteriyor.
Fark alma üzerine kısa bir not. Kaputun altında çok şey olduğu için bunu açıklamak istiyorum. Fark alma yapmak için, her gözlemden bir önceki çıkarılır ve bize birinci farkların yeni bir zaman serisini verir. (Yeni zaman serisi artık orijinalden bir eleman daha kısadır.) Eğer fark alınmış seri hâlâ durağan değilse, orijinal seride ikinci kez fark alarak bir ikinci fark daha alınabilir ve seri durağan olana kadar bu işleme devam edilebilir. Gerekli fark alma derecesi, seride otokorelasyon kalmayana kadar gereken asgari fark sayısıdır.
Son olarak şunu söylemek isterim: Gerekenden fazla fark almayın; aksi halde verinizde sahte dinamikler yaratabilirsiniz. Ayrıca, bu eğitimde yapmadığımız mevsimsel bir ARIMA modeli kuracak olsaydınız, her zaman birinci farktan önce mevsimsel farkı düşünürdünüz.
Model tanımlama
Bir ARIMA modeli kurarken modele girecek p, d ve q terimlerini dikkate almalıyız.
ARIMA terimlerini bulma
ACF (Otokorelasyon Fonksiyonu) ve PACF (Kısmi Otokorelasyon Fonksiyonu) gibi araçları kullanarak p, d ve q değerlerini belirleriz. ACF'nin kesildiği gecikme sayısı q, PACF'nin kesildiği yer ise p'dir. Ayrıca, d için de uygun değeri seçmemiz gerekir; fark aldıktan sonra verinin beyaz gürültüye benzemesini sağlariz. Verimiz için, her birinde ilk gecikmede anlamlı bir sıçrama gördüğümüzden p ve q için 1'i seçiyoruz.
Parametre kestirimi
Açıklık için: ARIMA'daki p, d ve q değerleri modelin mertebesini (otoregresyon gecikmeleri, fark alma ve hareketli ortalama terimleri) temsil eder; ancak bunlar tahmin edilen asıl parametreler değildir. p, d ve q değerleri seçildikten sonra, model, otoregresif ve hareketli ortalama terimlerinin katsayıları gibi ek parametreleri en büyük olabilirlik kestirimi (MLE) ile tahmin eder.
Tahmin
Bir ARIMA modeli kullanarak tahmin yapmak için, önce uyumlanmış modeli veriye dayalı olarak gelecekteki değerleri öngörmekte kullanın. Tahminler yapıldıktan sonra, tahmin edilen değerleri gerçek değerlerle birlikte çizerek görselleştirmek faydalıdır. Bunu, veriyi eğitim ve test kümelerine ayırdığımız bir eğitim/test iş akışıyla gerçekleştiririz. Böylece modelin görülmemiş veride nasıl performans gösterdiğini görebiliriz. Bu konuda net değilseniz, eğitim ve testin inceliklerini öğrenmek için harika bir kaynak olan Python'da Model Doğrulama kursumuzu alın.
1. Eğitim/test iş akışını kullanın
İlk adımımız, veriyi eğitim ve test sürümlerine ayırmaktır.
2. Zaman serimizi görselleştirin
Sıradaki adımımız, tahminimizi oluşturmak ve görsel olarak incelemektir. Tahminimizin, verimizin test sürümüne karşı nasıl performans gösterdiğini görebiliriz.
ARIMA tahmini: gerçek ve tahmin edilen değerler. Görsel: Yazar
3. Model istatistiklerini değerlendirin
AIC ve BIC model istatistiklerine bakıyoruz. Daha düşük değerler daha iyi uyuma işaret eder; ancak aşırı uyumu önlemek için sonuçları daha basit modellerle de karşılaştırabiliriz. Burada sayıları yazdırıyorum; fakat en çok, aynı veri üzerinde farklı ARIMA modelleriyle karşılaştırırken anlamlıdır; böylece en iyi çalışan ARIMA modelini buluruz.
Modelin uyumunu değerlendirmek için ortalama karesel hatayı da değerlendirebiliriz. Bu pratik bir metriktir. Daha düşük RMSE, ARIMA modelinin daha iyi olduğunu, yani gerçek ve tahmin edilen değerler arasındaki farkların daha küçük olduğunu ve verinin ölçeğinde olduğunu gösterir. Örneğin, 118,5339 RMSE, modelimizin tahminlerinin ortalama olarak gerçek
Closefiyatlarından yaklaşık 118,53 $ saptığını gösterir.