tidsrækkeanalyser

Tidsrækkeanalyser er statistiske metoder til at analysere data, der er indsamlet i tidsmæssig rækkefølge. Formålet er at identificere mønstre som trend og sæson, kvantificere dynamikker i dataene og bruge disse mønstre til at forudsige fremtidige værdier. Analysen kan være univariat, hvor kun én tidsserie undersøges, eller multivariat, hvor flere serier analyseres samtidig for at udveksle information og forklare hinandens bevægelser.

De mest anvendte modeller til univariate tidsrækker er ARIMA og dens udvidelser som SARIMA til sæsonbestemte data. I multivariat sammenhæng anvendes VAR og VECM. Alternativer inkluderer eksponentiel glatning (ETS), state-space-modeller og Kalman-filtere. For finansielle serier kan modeller til volatilitet, som GARCH, være relevante. Valget af model afhænger af dataenes egenskaber, som stationaritet, sæsonvariation og tilstedeværelse af ikke-lineære eller pludselige ændringer.

Processen i tidsrækkeanalyse inkluderer dataforberedelse, identifikation af mønstre, estimation af parametre, modeludvælgelse og fremskrivning. Vigtig forudsætninger er stationaritet, eventuel differencing og transformationer. Modellering og evaluering baseres på kriterier som AIC/BIC, validering gennem out-of-sample forecasting og residualanalyse, herunder diagnostiske tests som Ljung-Box og kontrol af heteroskedasticitet.

Anvendelser omfatter økonomi, finans, energi, miljø og sundhed, produktion og forretningsplanlægning. Dataudfordringer kan være manglende værdier, outliers og sæsonjustering. Almindelig software til tidsrækkeanalyse inkluderer R (forecast, fable), Python (statsmodels, pmdarima, Prophet), samt MATLAB og andre statistiske værktøjer.