tidsseris

En tidsserie är en uppsättning mätvärden av en variabel som observerats i tidsordning, vanligtvis med lika tidsintervall som dagligen, månadsvis eller kvartalsvis. Syftet är att beskriva hur värdena utvecklas över tid och att göra prognoser för framtida observationer.

Vanliga komponenter är en trend som visar en långsiktig riktning, säsongvariationer som upprepar sig regelbundet inom ett år, samt slumpmässiga störningar eller brus. Vissa tidsserier innehåller även cykler och missvisningar som inte följer ett fast mönster. Att särskilja dessa komponenter underlättar analys och prognoser.

Analys av tidsserier innebär att fastställa frekvens och bedöma stationaritet (om medel och varians är konstanta över tid). Vanliga metoder är dekomposition, differensiering och transformationer. Autokorrelation (ACF) och partiell autokorrelation (PACF) används för att förstå beroendet mellan observationer i olika tidsförflyttningar.

Vanliga modeller för prognoser inkluderar ARIMA och SARIMA för icke-säsongs- och säsongsbaserade data samt Holt-Winters exponential smoothing för enklare säsongsserier. Andra metoder omfattar state-space-modeller och mer moderna tillvägagångssätt som Prophet. Val av metod beror på dataegenskaper och prognosmål.

Användningsområden för tidsserier är breda och inkluderar ekonomi och finans, meteorologi, försäljning, energi och befolkningsstudier. Prognoser bedöms ofta med backtesting och felmått som RMSE, MAE eller MAPE. Datafrågor som saknade värden och outliers hanteras genom lämplig behandling och anpassning av modellen.