tidsrekkeanalyse

Tidsrekkeanalyse er en statistisk tilnærming som undersøker en sekvens av observasjoner registrert over tid med jevne intervaller, med mål om å beskrive mønstre, avdekke underliggende faktorer og lage spådommer for framtidige verdier.

En tidsrekke består ofte av flere komponenter: en trend som viser langsiktig retning, sesongmessige mønstre som gjentar seg regelmessig (for eksempel årlig eller kvartalsvis), og tilfeldig variasjon som ikke følger et mønster. Noen ganger finnes også sykliske svingninger uten fast frekvens.

Stasjonaritet er et sentralt begrep. Dersom tidsserien ikke er stasjonær, kan differensiering eller transformasjoner (for eksempel log-transformasjon) hjelpe til å gjøre den egnet for modellering. Tester som Augmented Dickey-Fuller og KPSS brukes for å vurdere stasjonaritet.

Typiske modeller inkluderer eksponentielt glatte metoder som Holt-Winters og mer avanserte ARIMA- og SARIMA-modeller, samt state-space-modeller og Kalman-filter. Modellering innebærer identifikasjon av komponenter, estimering av parametere og diagnostisering av residualene.

Spådommer genereres med tilhørende prediksjonsintervall. Modellene evalueres ofte ved tidsbasert trening og test eller kryssvalidering for tidsserier, og ytelsen måles med metoder som MAE, RMSE, MAPE eller MASE, i tillegg til informasjonskriterier som AIC/BIC.

Anvendelsesområder omfatter økonomi og finans, energibruk og produksjon, vær og klima, epidemiologi og operasjonell analyse (for eksempel etterspørsel og trafikk). Forberedelse av data handler om frekvens, datakvalitet, manglende verdier og sesongjustering.

Verktøy og programvare inkluderer R (pakker som forecast og tsibble/fpp3), Python (statsmodels, Prophet), samt Matlab og andre. Valg av verktøy avhenger av behov for åpenhet, hastighet og integrasjon i arbeidsflyter.