Tijdreeksmethoden

Tijdreeksmethoden zijn statistische en datawetenschappelijke technieken voor het analyseren van data die in de tijd zijn vastgelegd. Het doel is inzicht krijgen in patronen zoals trend, seizoensinvloeden en cyclische bewegingen, en om toekomstige waarden zo nauwkeurig mogelijk te voorspellen. Tijdreeksen kenmerken zoals stationariteit, seizoenality en irregulariteit spelen een centrale rol in de modellering en interpretatie.

Belangrijke concepten zijn onder meer de componenten van een tijdreeks (trend, seizoen, cyclisch en residu), differentiatie om stationariteit te bereiken, en decompositie- of modelgebaseerde benaderingen. Bij stationaire reeksen fluctueren eigenschappen zoals verwachtingswaarde en variantie niet door de tijd.

Veelgebruikte methoden omvatten klassieke en moderne benaderingen. Eenvoudige methoden zoals moving average en exponentiële gladstrijking (inclusief Holt en Holt-Winters voor seizoenspatronen) worden vaak als baselines toegepast. Autoregressieve modellen zoals ARIMA en seizoensgebonden ARIMA (SARIMA) koppelen huidige waarden aan vorige waarden en fouten. Multivariate opties zoals VAR-modellen beschrijven interacties tussen meerdere tijdreeksen. Voor toestandsruimemodellen en filtering wordt vaak het Kalman-filter gebruikt. Decompositie-methoden splitsen een reeks in trend-, seizoen- en residu-componenten, terwijl moderne prognosehulpmiddelen zoals Prophet en sommige machine learning-methoden zich richten op flexibele niet-lineaire patronen.

Evaluatie en modelkeuze verlopen vaak via tijdreeksventielen zoals rolling-origin of walk-forward validatie, met maatstaven als RMSE, MAE en MAPE. Data-preparatie omvat ontbrekende waarden, uitbijters, transformaties (bijv. Box-Cox) en eventuele demping van seizoenseffecten.

Toepassingsgebieden zijn breed: economie en financiën, meteorologie, energie- en vraagvoorspellingen, en epidemiologie. Beperkingen omvatten non-stationariteit, structurele doorbraken en afhankelijkheden door irrelevante externe factoren.