Tidserietekniker

Tidserietekniker är metoder för analys, modellering och prognoser av tidsserier – data där observationer tas i tidsordning. Målet är att fånga strukturer som trend, säsong och andra tidsberoenden samt att förutse framtida värden. Tidsserier används över många områden, bland annat ekonomi, meteorologi, energi och hälso- och sjukvård.

Vanliga statistiska metoder för univariata tidsserier inkluderar glidande medelvärden och exponetiell glättning (Holt-Winters), ARIMA- och ARMA-modeller, samt tillståndsrum-modeller som Kalman-filter. För säsongsmönster används SARIMA eller ETS (exponentiell glättning i ett tillståndsrum). Det finns även tidsserie-dekompositionsmetoder som separerar trend, säsong och residualer.

Tidsserier kan dekomponeras i komponenter, och viktiga begrepp är stationaritet och struktur på variansen över tid. Före modellering kan differensiering, detrending eller säsongrensning användas för att uppnå stationaritet; tester som ADF och KPSS används för att bedöma enhetrott. Val av modell grundas ofta i diagnostik av residualer och korrelationer över tid.

Metodologin omfattar traditionella modeller samt moderna tillvägagångssätt. Förutom ARIMA-/SARIMA- och ETS-baserade modeller används även STMother ingångar, Prophet och maskininlärningsmetoder som LSTM/neurala nätverk, samt kombinationer och state-space-ramverk. I praktiken kan externa variabler används genom ARIMAX/SARIMAX eller andra tilståndsbaserade modeller.

Utvärdering av prognoser görs med felmått som RMSE, MAE, MAPE eller sMAPE och ofta med tidsinriktad korsvalidering som beaktar tidssekvenser. Utmaningar inkluderar icke-stationaritet, strukturella brytningar, förändringar i säsongsmönster och dataförsörjningens kvalitet.

Användningsområden är brett: ekonomi och finans, meteorologi, energisystem och epidemiologi illustrerar hur tidserietekniker bidrar till förståelse och beslut.