통계데이터분석- 시계열분석 - ARIMA예측모델: 정상성과 자기상관 🔑 stationarity | autocorrelation | 시차 | ACF PACF | 차분 | ADF

[R을 이용한 통계데이터분석] ARIMA예측모델(autoregressive integrated moving average forecasting model)은 지수예측모델과 함께 시계열분석에서 널리 사용되는 예측 방법 가운데 하나입니다. ARIMA모델에서 예측값은 관측값과 예측오차(즉 잔차)의 선형결합으로 표현됩니다. ARIMA모델은 시계열 데이터의 정상성(stationarity, 定常性)을 가정합니다. 정상성이란 시계열 데이터의 특성이 시간의 흐름에 따라 변하지 않는다는 것을 의미합니다(즉 관측값은 시간에 의존적이지 않습니다). 정상 시계열은 어느 시계열 구간에서 관찰하든 평균과 분산이 일정합니다. 또한 관측값 간의 공분산도 일정합니다. 이는 자기상관(autocorrelation)이 시간에 따라 변화하지 않는다는 것을 의미합니다. 시계열 데이터의 정상성을 평가하고 비정상 시계열을 정상 시계열로 변환하는 방법을 살펴봅니다. 다음과 같은 함수에 대한 설명이 포함되어 있습니다: plot(), lag(), ndiffs(), diff(), Acf(), adf.test(). 📢 R과 RStudio 설치는 'R 프로그래밍 / R 기초 - 설치' 강좌를 참고하세요(   • R 프로그래밍 / R 기초 - 설치 🔑 CRAN | RStudio | Rco...  ). 📚 『곽기영』 채널의 동영상 강의는 다음 도서를 바탕으로 하고 있습니다.💕 『R 기초와 활용』(곽기영, 도서출판 청람) 『R을 이용한 통계데이터분석』(곽기영, 도서출판 청람) 『R을 이용한 머신러닝과 텍스트마이닝』(곽기영, 도서출판 청람) 『R을 이용한 웹스크레이핑과 데이터분석』(곽기영, 도서출판 청람) 『SPSS를 이용한 통계데이터분석』(곽기영, 도서출판 청람) 『소셜네트워크분석』(곽기영, 도서출판 청람) #R프로그래밍 #데이터분석 #통계 #머신러닝 #데이터애널리틱스 #데이터사이언스