外觀
Statistics › 時間序列
時間序列分析 (Time Series Analysis)
依時間順序蒐集的資料。觀測值不獨立:昨天影響今天。這種時間相依性既是挑戰,也是能夠預測的原因。順序不能打亂。
建議順序
text
認識資料 → 分解(趨勢 + 季節 + 殘差)→ 平滑法(基準模型)
→ 定態檢查與轉換 → ACF / PACF → ARIMA → SARIMA → 預測評估多數古典模型假設定態 (stationarity),跳過分解與定態檢查是最常見的錯誤。
筆記
| 筆記 | 內容 | 回答的問題 |
|---|---|---|
| 基礎 | 四種成分、DatetimeIndex、resample、rolling、lag | 時間序列資料怎麼整理? |
| 分解 | 加法 / 乘法、Classical、STL | 趨勢與季節性各佔多少? |
| 平滑法 | SMA、SES、Holt、Holt-Winters | 不建模型也能做的基準預測? |
| 定態 | ADF、KPSS、差分、log、Box-Cox | 序列穩定嗎?怎麼轉換? |
| 自相關 | ACF、PACF、Ljung-Box | 過去與現在有多相關? |
| ARIMA | AR、MA、ARIMA、階數選擇 | 怎麼建模相依結構? |
| 季節性與 SARIMA | SARIMA、STL + ARIMA、Prophet | 怎麼處理季節性? |
| 預測評估 | MAE、RMSE、MASE、時間序列交叉驗證 | 預測準不準? |
常用工具
| 套件 | 用途 |
|---|---|
pandas | 時間索引、resample、rolling |
statsmodels | ARIMA、SARIMAX、分解、ADF / KPSS |
pmdarima | 自動選擇 ARIMA 階數 |
prophet | 趨勢 + 季節性自動建模 |