tidserieanalys

Tidserieanalys avser metoder och verktyg för att studera tidsordnade observationer och använda dessa insikter till prognoser och beslut. Syftet är att identifiera mönster som trend, säsong, cykler och slumpvariation samt att modellera dessa för att förutse framtida värden och förstå underliggande processer. Vanliga steg är dataförberedelse, visualisering, test av stationaritet och lämpliga transformationer, modellval och prognostisering samt utvärdering av prediktiv noggrannhet.

Vanliga modeller inkluderar ARIMA (autoregressiv integrerad moving average), där ordningen bestäms av autokorrelation och differenser, samt SARIMA som lägger till säsongsstrukturer. Exponentiell utjämning, inklusive Holt-Winters-metoden, används för icke-linjära trender och säsongsmönster. För multivariata tidsserier används modeller som VAR (vector autoregression). Mer avancerade ramverk omfattar state-space-modeller och Kalman-filter, samt modeller med exogena variabler (ARIMAX).

Insamlad data bör hanteras med uppmärksamhet på saknade värden, uteliggare och plötsliga förändringar. Modellprestanda bedöms med informationskriterier som AIC/BIC, samt tidsseriekorsvalidering och prognosfel. Analys av residualer, inklusive Ljung-Box-test och tecken på heteroskedasticitet, används för att bedöma antaganden och modellens passform.

Användningsområden inkluderar ekonomi och finans, energiförbrukning, meteorologi, miljö- och hälsobevakning samt andra domäner där tidsberoende data förekommer. Datafrekvenser varierar från sekundär till månadsvis, och säsongsmönster, trend och strukturella förändringar måste beaktas vid modellval och tolkning av prognoser.