The Basics of Time Series Forecasting Methods in Statistics
Table of Contents
Zeitreihenvorhersage ist eine Kerntechnik in der Statistik, die es Analysten ermöglicht, zukünftige Werte auf der Grundlage von Mustern in historischen Daten vorherzusagen. Von Wirtschaftsindikatoren und Aktienkursen bis hin zu Wettermustern und Energiebedarf treiben genaue Prognosen die Entscheidungsfindung in allen Branchen voran. Die Beherrschung der grundlegenden Methoden der Zeitreihenvorhersage gibt Fachleuten die Werkzeuge, um das richtige Modell für ihre Daten auszuwählen und häufige Fallstricke zu vermeiden. Dieser Leitfaden bietet eine gründliche Einführung in grundlegende Prognosemethoden, ihre zugrunde liegenden Annahmen und praktische Überlegungen für die Umsetzung.
Zeitreihendaten verstehen
Eine Zeitreihe ist eine Abfolge von Beobachtungen, die zu aufeinanderfolgenden Zeitpunkten, typischerweise in gleichmäßigen Abständen, aufgezeichnet werden.
Schlüsselkomponenten von Zeitreihen
Jede Zeitreihe kann in vier Hauptkomponenten zerlegt werden:
- Trend: Eine langfristige Erhöhung oder Verringerung der Daten.
- Saisonalität: Regelmäßige, vorhersagbare Muster, die sich über einen festgelegten Zeitraum wiederholen (z. B. wöchentlich, monatlich, jährlich).
- Zyklisität: Schwankungen, die ohne festen Zeitraum auftreten, oft mit Wirtschaftszyklen verbunden.
- Unregelmäßig (Rest): Zufälliges Rauschen, das nicht durch Trend, Saisonalität oder Zyklen erklärt werden kann.
Wenn man diese Komponenten versteht, hilft das bei der Auswahl der richtigen Prognosemethode, z.B. kann eine einfache naive Methode für Daten ohne Trend oder Saisonalität funktionieren, während Methoden wie Holt-Winter Hervorzuheben, wenn sowohl Trend als auch Saisonalität vorhanden sind.
Common Time Series Forecasting Methoden
Die folgenden Methoden bilden die Grundlage für statistische Prognosen, die jeweils Einfachheit, Datenanforderungen und die Fähigkeit zur Erfassung komplexer Muster ausgleichen.
Naive Methode
Die naive Methode verwendet die neueste Beobachtung als Vorhersage für alle zukünftigen Perioden. ŷt+1 = yt. Obwohl trivial, dient es als Benchmark für anspruchsvollere Modelle. Wenn eine naive Prognose gut funktioniert, ist es unwahrscheinlich, dass komplexe Methoden einen Mehrwert bieten. Diese Methode eignet sich am besten für Daten ohne klaren Trend oder Saisonalität oder als Vergleichsgrundlage.
Gleitende Durchschnitte
Ein gleitender Durchschnitt glättet kurzfristige Schwankungen durch Mittelung einer festen Zahl k Der einfache gleitende Durchschnitt (SMA) wird berechnet als: ŷt+1 = (1/)kΣyt-i+1 für i = 1 ...k. Zunehmend k Gewichtete gleitende Durchschnitte weisen früheren Beobachtungen unterschiedliche Gewichtungen zu, wobei den jüngsten Daten oft mehr Bedeutung beigemessen wird. Gleitende Durchschnitte eignen sich gut für Daten mit einem relativ stabilen Niveau, aber ohne starken Trend.
Exponentielle Glättung
Exponentielle Glättung ordnet älteren Beobachtungen exponentiell abnehmende Gewichte zu, wodurch sie sich an die jüngsten Veränderungen anpassen können. einfache exponentielle Glättung, wird für Daten ohne Trend oder Saisonalität verwendet. ŷt+1 = α yt + (1-α) ŷt, wobei α (0) < α ≤ 1) controls the smoothing factor. A higher α gives more weight to recent observations.
Für Daten mit einem Trend, Holt’s lineare exponentielle Glättung eine Trendkomponente hinzufügt, wenn sowohl Trend als auch Saisonalität vorhanden sind, Holt-Winter saisonale exponentielle Glättung (auch als Triple Exponential Glattstellung bezeichnet) umfasst eine saisonale Komponente, die aufgrund ihrer Einfachheit und Robustheit in der Bestandsplanung und Absatzprognose weit verbreitet ist.
ARIMA-Modelle
Das Modell des Autoregressiven Integrierten gleitenden Durchschnitts (ARIMA) ist eine vielseitige und leistungsstarke Klasse von Modellen für nicht saisonale Zeitreihen.
- Autoregressiv (AR): Verwendet die Beziehung zwischen einer Beobachtung und einer Anzahl verzögerter Beobachtungen. p.
- Integriert (I): Die Anzahl der Differenzierungsschritte ist: d.
- Moving Average (MA): Modelliert den Fehlerterm als lineare Kombination vergangener Prognosefehler. q.
Ein ARIMA-Modell wird als ARIMA() geschrieben.p,d,qDie Auswahl der richtigen Parameter beinhaltet die Identifizierung der Stationarität (oft mit der Augmented Dickey-Fuller Test) und Analyse von Autokorrelation (ACF) und partieller Autokorrelation (PACF) Plots. P, D, Q, m, wobei m ARIMA-Modelle erfordern eine sorgfältige Abstimmung, bieten aber eine hohe Genauigkeit für viele geschäftliche und wirtschaftliche Zeitreihen.
Zusätzliche Prognosemethoden
Saisonale Zerlegung von Zeitreihen (STL)
STL zerlegt eine Zeitreihe in Trend-, Saison- und Restkomponenten mittels Lössglättung. Sie ist flexibel und handhabt jede Art von Saisonalität. Nach der Zerlegung kann jede Komponente separat prognostiziert und dann neu kombiniert werden. Diese Methode ist besonders nützlich für Daten mit starken und stabilen Saisonmustern.
Prophetenmodell
Der von Facebook (Meta) entwickelte Prophet wurde für die maßstabsgetreue Vorhersage mit täglichen Beobachtungen entwickelt, die Saisonalität und Urlaubseffekte zeigen. Es ist ein zerlegbares additives Modell, das Trends, wöchentliche und jährliche Saisonalität und benutzerspezifische Regressoren erfasst. Prophet ist robust gegenüber fehlenden Daten und Trendverschiebungen, was ihn in realen Geschäftsanwendungen beliebt macht.
Bewertung der Prognosegenauigkeit
Keine Prognose ist perfekt. Die Bewertung der Modellleistung ist entscheidend für die Auswahl der besten Methode und die Bestätigung der Zuverlässigkeit.
- Mittlerer absoluter Fehler (MAE): Durchschnitt der absoluten Fehler. Einfach zu interpretieren in den Originaleinheiten.
- Mittlerer Quadratfehler (MSE): Durchschnitt der quadrierten Fehler. Bestrafet größere Fehler stärker.
- Root Mean Squared Error (RMSE): Quadratwurzel von MSE, auch in Originaleinheiten.
- Mittelwert des absoluten Prozentsatzes (MAPE): Durchschnitt der absoluten prozentualen Fehler, nützlich für den Vergleich über verschiedene Reihen hinweg.
- sMAPE: Symmetrische MAPE, die aufgeblasene Werte vermeidet, wenn die tatsächlichen Werte nahe Null sind.
Verwenden Sie bei der Auswertung mehrerer Modelle immer eine Holdout-Probe (z. B. die letzten 20% der Daten), um die Genauigkeit der Stichproben zu testen. Zeitreihen-Crossvalidierung (Validierung des Fensters) eine robustere Bewertung.
Die Wahl der richtigen Prognosemethode
Die Auswahl hängt von den Datenmerkmalen und dem Prognoseziel ab.
- Daten ohne Trend oder Saisonalität: Naive Methode, einfache exponentielle Glättung oder gleitende Durchschnitte.
- Daten mit Trend, aber ohne Saisonalität: Holts lineare Glättung, ARIMA mit Differenzierung.
- Daten mit Trend und Saisonalität: Holt-Winters, SARIMA oder Prophet.
- Daten mit mehreren Saisonalitäten (z. B. täglich mit wöchentlichen und jährlichen): Prophet oder STL Zersetzung.
- Wenn Interpretierbarkeit der Schlüssel ist: Einfache Methoden wie gleitende Durchschnitte oder exponentielle Glättung.
- Wenn hohe Genauigkeit an erster Stelle steht: ARIMA/SARIMA oder Prophet mit sorgfältiger Abstimmung.
Vergleichen Sie immer einige Kandidatenmodelle mit Messwerten für Genauigkeit außerhalb der Stichprobe. Ein Modell, das perfekt zu historischen Daten passt, kann möglicherweise nicht verallgemeinern. Vermeiden Sie Überanpassungen - halten Sie die Modelle so einfach wie möglich, während Sie immer noch wesentliche Muster erfassen.
Praktische Umsetzungsinstrumente
Heute wird die meiste Prognose mit statistischer Software oder Programmiersprachen durchgeführt. R Sie bietet robuste Pakete wie (für exponentielle Glättung und ARIMA) und . Python bietet für ARIMA und für additive Modelle an. Tableau und Excel integrierte Prognosefähigkeiten umfassen: Unabhängig vom Instrument ist es unerlässlich, die zugrunde liegenden Annahmen und Grenzen der einzelnen Methoden zu verstehen, um vertrauenswürdige Prognosen zu erstellen.
Für weitere Informationen konsultieren Sie autoritative Ressourcen wie Forecasting: Prinzipien und Praxis von Hyndman & Athanasopoulos (ein kostenloses Online-Lehrbuch), die NIST Engineering Statistics Handbuch über Zeitreihen, und die Wikipedia-Seite zu ARIMA-ModellenDiese Quellen liefern tiefergehende technische Details und Fallstudien.
Zeitreihenvorhersage ist sowohl Kunst als auch Wissenschaft. Die hier behandelten grundlegenden Methoden – naive, gleitende Durchschnitte, exponentielle Glättung und ARIMA – bilden die Grundlage für praktische Vorhersagen. Durch systematische Auswertung von Datenmerkmalen, Testen mehrerer Ansätze und Validierung von Genauigkeiten auf unsichtbaren Daten können Analysten zuverlässige Vorhersagen erstellen, die bessere Geschäfts- und Politikentscheidungen ermöglichen.