시계열 분석 12. 미래를 보지 않고 예측 모형을 고를 수 있을까요?
월별 항공 승객 자료로 계절 naïve와 SARIMA를 rolling-origin 방식으로 비교하고, 별도 24개월에서 최종 평가합니다.
태그로 찾기
EDA, R, p-value처럼 궁금한 키워드를 선택해 관련 글을 찾아보세요. 태그 옆 숫자는 해당 글의 수입니다.
- R 29
- time series 12
- EDA 8
- Visualization 2
- ggplot 2
- p-value 2
- confidence interval 2
- regression 2
- project 2
- stationarity 2
- forecasting 2
- data mining 1
- barplot 1
- data reduction 1
- violinplot 1
- Performance 1
- Evaluations 1
- missing data 1
- effect size 1
- ggplot2 1
- histogram 1
- dplyr 1
- data preparation 1
- correlation 1
- scatterplot 1
- outlier 1
- sensitivity analysis 1
- t-test 1
- study design 1
- model diagnostics 1
- cross validation 1
- data leakage 1
- classification 1
- ROC 1
- precision recall 1
- PCA 1
- dimensionality reduction 1
- reproducibility 1
- white noise 1
- stochastic process 1
- random walk 1
- ACF 1
- PACF 1
- MA 1
- invertibility 1
- AR 1
- ARMA 1
- model selection 1
- differencing 1
- transformation 1
- ARIMA 1
- seasonality 1
- STL 1
- SARIMA 1
- prediction interval 1
- residual diagnostics 1
- Ljung-Box 1
- rolling origin 1
- research 1
- industry 1
- public data 1
R
시계열 분석 11. 잔차가 조용하면 예측도 믿을 수 있을까요?
잔차의 평균·분산·ACF와 Ljung–Box 검정을 연결하고, 예측구간이 보장하는 범위와 보장하지 않는 것을 살펴봅니다.
시계열 분석 10. SARIMA는 계절 패턴을 어떻게 예측할까요?
SARIMA의 일반·계절 차수를 읽고, 로그 항공 승객 자료에서 예측한 값을 원래 단위로 되돌리는 방법을 알아봅니다.
시계열 분석 9. 추세와 계절성을 나누면 무엇이 보일까요?
추세·계절성·불규칙 성분을 나누어 보고, 가법·승법 분해와 STL을 미래 정보 누수 없이 적용합니다.
시계열 분석 8. ARIMA의 세 숫자는 무엇을 뜻할까요?
ARIMA(p,d,q)의 차분과 ARMA 구조를 연결하고, Nile 자료로 모형 적합·예측·예측구간을 순서대로 실습합니다.
시계열 분석 7. 추세를 빼는 것과 차분은 어떻게 다를까요?
로그 변환·추세 제거·일반 차분·계절 차분의 역할을 구분하고, 과차분과 미래 정보 누수를 피하는 방법을 알아봅니다.
시계열 분석 6. AR과 MA를 함께 쓰면 무엇이 달라질까요?
ARMA의 식과 근 조건을 이해하고, ACF·PACF·AIC·잔차를 함께 사용해 후보 모형을 비교합니다.
시계열 분석 5. 자기회귀 모형은 과거를 어떻게 기억할까요?
AR(1)의 평균·분산·자기상관을 유도하고, 정상성·상수항·다단계 예측을 R 예제로 연결합니다.
시계열 분석 4. 이동평균 모형은 무엇을 평균낼까요?
평활화 이동평균과 MA 모형을 구분하고, MA(1)의 분산·ACF·가역성을 직접 계산하고 시뮬레이션합니다.
시계열 분석 3. 자기상관으로 무엇을 알 수 있을까요?
자기공분산을 자기상관으로 바꾸는 이유를 수식으로 살펴보고, ACF와 PACF의 해석 범위를 알아봅니다.
시계열 분석 2. 정상성은 왜 필요할까요?
시간이 지나도 유지되는 확률적 성질을 이해하고, 강정상성·약정상성·백색소음·랜덤워크의 관계를 살펴봅니다.
시계열 분석 1. 백색소음은 무엇일까요?
확률과정과 관측값을 구분하고, 백색소음의 평균·분산·무상관 조건이 각각 무엇을 의미하는지 알아봅니다.
공개 데이터 하나로 끝내는 R 분석 프로젝트
airquality로 다음 날이 아닌 같은 날의 오존 농도 추정 문제를 정의하고, 분할·결측 처리·EDA·시계열 검증·모델 선택·최종 평가를 연결합니다.
R로 PCA 실습하기: 표준화부터 주성분 해석까지
iris와 prcomp로 표준화·설명 분산·loading·score를 확인하고, 학습 기준으로 새 관측값을 변환하는 방법을 실습합니다.
불균형 분류에서 ROC-AUC와 PR-AUC 함께 읽기
작은 검증 자료로 ROC·PR 곡선을 직접 계산하고, 양성 비율·평균 정밀도·임곗값·오분류 비용의 관계를 살펴봅니다.
교차검증과 데이터 누수: 성능이 지나치게 좋을 때
정답과 무관한 가상 변수에서도 누수가 성능을 좋게 보이게 하는 예제를 통해, fold 안에서 변수 선택과 전처리를 해야 하는 이유를 설명합니다.
선형회귀 처음부터 끝까지: 계수보다 먼저 확인할 것
mtcars로 연비 회귀모형을 만들고 계수의 단위, 잔차·영향점 진단, 신뢰구간과 예측구간, 테스트 오차를 확인합니다.
R로 두 집단 비교하기: 독립표본·대응표본과 Welch t-test
독립 집단과 반복 측정의 차이를 먼저 구분하고, Welch t-test와 대응표본 t-test의 결과를 평균 차이·신뢰구간과 함께 보고합니다.
이상치는 언제 제거해야 할까?
IQR로 찾은 이상치 후보를 바로 지우면 안 되는 이유와, 원자료 확인·강건한 요약·민감도 분석의 순서를 설명합니다.
상관계수가 같아도 산점도는 다르다
Anscombe 데이터와 간단한 곡선 예제로 Pearson·Spearman 상관의 차이, 이상치의 영향, 상관과 인과를 살펴봅니다.
dplyr로 분석용 데이터 만들기: 필터링부터 집단별 요약까지
자동차 연비 데이터로 filter, select, mutate, group_by, summarise를 익히고 행 수·결측값·집계 단위를 점검합니다.
ggplot2 히스토그램과 밀도 그래프: 구간을 바꾸면 무엇이 달라질까?
같은 연비 자료의 구간 너비와 밀도 추정 설정을 바꾸며, 분포 그림이 달라지는 이유와 올바른 비교 방법을 알아봅니다.
p-value 다음에 읽는 신뢰구간과 효과 크기
같은 평균 차이도 표본 수에 따라 p-value와 신뢰구간이 달라지는 이유를 계산과 반복 표집으로 살펴봅니다.
R 결측값 처리: NA를 지우기 전에 확인할 것
결측 비율과 집단별 누락 패턴을 확인하고, 삭제와 평균 대체가 분석 결과를 어떻게 바꾸는지 R로 비교합니다.
p-value 이해하기: 유의확률이 말해주는 것
p-value의 정의와 흔한 오해를 정리하고, 효과 크기·신뢰구간·연구 설계를 함께 살펴야 하는 이유를 설명합니다.
모델 성능 평가: 정확도부터 ROC와 비용까지
학습·검증·테스트 데이터의 역할과 분류 지표, ROC-AUC, 오분류 비용, 과표집의 주의점을 설명합니다.
R 시각화: 바이올린 플롯으로 분포 비교하기
바이올린 플롯, 상자그림, 실제 관측값을 함께 그려 집단별 분포를 해석하는 방법을 알아봅니다.
데이터 축소: 표본 추출부터 PCA까지
데이터의 핵심 정보를 유지하면서 분석량을 줄이는 집계, 표본 추출, 차원 축소의 차이를 정리합니다.
R 시각화: ggplot2로 막대그래프 그리기
범주별 개수를 세는 geom_bar()와 요약한 값을 그리는 geom_col()의 차이를 예제로 알아봅니다.
time series
시계열 분석 12. 미래를 보지 않고 예측 모형을 고를 수 있을까요?
월별 항공 승객 자료로 계절 naïve와 SARIMA를 rolling-origin 방식으로 비교하고, 별도 24개월에서 최종 평가합니다.
시계열 분석 11. 잔차가 조용하면 예측도 믿을 수 있을까요?
잔차의 평균·분산·ACF와 Ljung–Box 검정을 연결하고, 예측구간이 보장하는 범위와 보장하지 않는 것을 살펴봅니다.
시계열 분석 10. SARIMA는 계절 패턴을 어떻게 예측할까요?
SARIMA의 일반·계절 차수를 읽고, 로그 항공 승객 자료에서 예측한 값을 원래 단위로 되돌리는 방법을 알아봅니다.
시계열 분석 9. 추세와 계절성을 나누면 무엇이 보일까요?
추세·계절성·불규칙 성분을 나누어 보고, 가법·승법 분해와 STL을 미래 정보 누수 없이 적용합니다.
시계열 분석 8. ARIMA의 세 숫자는 무엇을 뜻할까요?
ARIMA(p,d,q)의 차분과 ARMA 구조를 연결하고, Nile 자료로 모형 적합·예측·예측구간을 순서대로 실습합니다.
시계열 분석 7. 추세를 빼는 것과 차분은 어떻게 다를까요?
로그 변환·추세 제거·일반 차분·계절 차분의 역할을 구분하고, 과차분과 미래 정보 누수를 피하는 방법을 알아봅니다.
시계열 분석 6. AR과 MA를 함께 쓰면 무엇이 달라질까요?
ARMA의 식과 근 조건을 이해하고, ACF·PACF·AIC·잔차를 함께 사용해 후보 모형을 비교합니다.
시계열 분석 5. 자기회귀 모형은 과거를 어떻게 기억할까요?
AR(1)의 평균·분산·자기상관을 유도하고, 정상성·상수항·다단계 예측을 R 예제로 연결합니다.
시계열 분석 4. 이동평균 모형은 무엇을 평균낼까요?
평활화 이동평균과 MA 모형을 구분하고, MA(1)의 분산·ACF·가역성을 직접 계산하고 시뮬레이션합니다.
시계열 분석 3. 자기상관으로 무엇을 알 수 있을까요?
자기공분산을 자기상관으로 바꾸는 이유를 수식으로 살펴보고, ACF와 PACF의 해석 범위를 알아봅니다.
시계열 분석 2. 정상성은 왜 필요할까요?
시간이 지나도 유지되는 확률적 성질을 이해하고, 강정상성·약정상성·백색소음·랜덤워크의 관계를 살펴봅니다.
시계열 분석 1. 백색소음은 무엇일까요?
확률과정과 관측값을 구분하고, 백색소음의 평균·분산·무상관 조건이 각각 무엇을 의미하는지 알아봅니다.
EDA
공개 데이터 하나로 끝내는 R 분석 프로젝트
airquality로 다음 날이 아닌 같은 날의 오존 농도 추정 문제를 정의하고, 분할·결측 처리·EDA·시계열 검증·모델 선택·최종 평가를 연결합니다.
이상치는 언제 제거해야 할까?
IQR로 찾은 이상치 후보를 바로 지우면 안 되는 이유와, 원자료 확인·강건한 요약·민감도 분석의 순서를 설명합니다.
상관계수가 같아도 산점도는 다르다
Anscombe 데이터와 간단한 곡선 예제로 Pearson·Spearman 상관의 차이, 이상치의 영향, 상관과 인과를 살펴봅니다.
ggplot2 히스토그램과 밀도 그래프: 구간을 바꾸면 무엇이 달라질까?
같은 연비 자료의 구간 너비와 밀도 추정 설정을 바꾸며, 분포 그림이 달라지는 이유와 올바른 비교 방법을 알아봅니다.
R 결측값 처리: NA를 지우기 전에 확인할 것
결측 비율과 집단별 누락 패턴을 확인하고, 삭제와 평균 대체가 분석 결과를 어떻게 바꾸는지 R로 비교합니다.
R 시각화: 바이올린 플롯으로 분포 비교하기
바이올린 플롯, 상자그림, 실제 관측값을 함께 그려 집단별 분포를 해석하는 방법을 알아봅니다.
R 시각화: ggplot2로 막대그래프 그리기
범주별 개수를 세는 geom_bar()와 요약한 값을 그리는 geom_col()의 차이를 예제로 알아봅니다.
탐색적 데이터 분석(EDA): 데이터를 이해하는 첫 단계
데이터의 구조, 분포, 결측값을 확인하는 EDA의 목적과 기본 도구를 정리합니다.
Visualization
R 시각화: 바이올린 플롯으로 분포 비교하기
바이올린 플롯, 상자그림, 실제 관측값을 함께 그려 집단별 분포를 해석하는 방법을 알아봅니다.
R 시각화: ggplot2로 막대그래프 그리기
범주별 개수를 세는 geom_bar()와 요약한 값을 그리는 geom_col()의 차이를 예제로 알아봅니다.
ggplot
R 시각화: 바이올린 플롯으로 분포 비교하기
바이올린 플롯, 상자그림, 실제 관측값을 함께 그려 집단별 분포를 해석하는 방법을 알아봅니다.
R 시각화: ggplot2로 막대그래프 그리기
범주별 개수를 세는 geom_bar()와 요약한 값을 그리는 geom_col()의 차이를 예제로 알아봅니다.
p-value
p-value 다음에 읽는 신뢰구간과 효과 크기
같은 평균 차이도 표본 수에 따라 p-value와 신뢰구간이 달라지는 이유를 계산과 반복 표집으로 살펴봅니다.
p-value 이해하기: 유의확률이 말해주는 것
p-value의 정의와 흔한 오해를 정리하고, 효과 크기·신뢰구간·연구 설계를 함께 살펴야 하는 이유를 설명합니다.
confidence interval
R로 두 집단 비교하기: 독립표본·대응표본과 Welch t-test
독립 집단과 반복 측정의 차이를 먼저 구분하고, Welch t-test와 대응표본 t-test의 결과를 평균 차이·신뢰구간과 함께 보고합니다.
p-value 다음에 읽는 신뢰구간과 효과 크기
같은 평균 차이도 표본 수에 따라 p-value와 신뢰구간이 달라지는 이유를 계산과 반복 표집으로 살펴봅니다.
regression
공개 데이터 하나로 끝내는 R 분석 프로젝트
airquality로 다음 날이 아닌 같은 날의 오존 농도 추정 문제를 정의하고, 분할·결측 처리·EDA·시계열 검증·모델 선택·최종 평가를 연결합니다.
선형회귀 처음부터 끝까지: 계수보다 먼저 확인할 것
mtcars로 연비 회귀모형을 만들고 계수의 단위, 잔차·영향점 진단, 신뢰구간과 예측구간, 테스트 오차를 확인합니다.
project
시계열 분석 12. 미래를 보지 않고 예측 모형을 고를 수 있을까요?
월별 항공 승객 자료로 계절 naïve와 SARIMA를 rolling-origin 방식으로 비교하고, 별도 24개월에서 최종 평가합니다.
공개 데이터 하나로 끝내는 R 분석 프로젝트
airquality로 다음 날이 아닌 같은 날의 오존 농도 추정 문제를 정의하고, 분할·결측 처리·EDA·시계열 검증·모델 선택·최종 평가를 연결합니다.
stationarity
시계열 분석 5. 자기회귀 모형은 과거를 어떻게 기억할까요?
AR(1)의 평균·분산·자기상관을 유도하고, 정상성·상수항·다단계 예측을 R 예제로 연결합니다.
시계열 분석 2. 정상성은 왜 필요할까요?
시간이 지나도 유지되는 확률적 성질을 이해하고, 강정상성·약정상성·백색소음·랜덤워크의 관계를 살펴봅니다.
forecasting
시계열 분석 12. 미래를 보지 않고 예측 모형을 고를 수 있을까요?
월별 항공 승객 자료로 계절 naïve와 SARIMA를 rolling-origin 방식으로 비교하고, 별도 24개월에서 최종 평가합니다.
시계열 분석 8. ARIMA의 세 숫자는 무엇을 뜻할까요?
ARIMA(p,d,q)의 차분과 ARMA 구조를 연결하고, Nile 자료로 모형 적합·예측·예측구간을 순서대로 실습합니다.
data mining
탐색적 데이터 분석(EDA): 데이터를 이해하는 첫 단계
데이터의 구조, 분포, 결측값을 확인하는 EDA의 목적과 기본 도구를 정리합니다.
barplot
R 시각화: ggplot2로 막대그래프 그리기
범주별 개수를 세는 geom_bar()와 요약한 값을 그리는 geom_col()의 차이를 예제로 알아봅니다.
data reduction
데이터 축소: 표본 추출부터 PCA까지
데이터의 핵심 정보를 유지하면서 분석량을 줄이는 집계, 표본 추출, 차원 축소의 차이를 정리합니다.
violinplot
R 시각화: 바이올린 플롯으로 분포 비교하기
바이올린 플롯, 상자그림, 실제 관측값을 함께 그려 집단별 분포를 해석하는 방법을 알아봅니다.
Performance
모델 성능 평가: 정확도부터 ROC와 비용까지
학습·검증·테스트 데이터의 역할과 분류 지표, ROC-AUC, 오분류 비용, 과표집의 주의점을 설명합니다.
Evaluations
모델 성능 평가: 정확도부터 ROC와 비용까지
학습·검증·테스트 데이터의 역할과 분류 지표, ROC-AUC, 오분류 비용, 과표집의 주의점을 설명합니다.
missing data
R 결측값 처리: NA를 지우기 전에 확인할 것
결측 비율과 집단별 누락 패턴을 확인하고, 삭제와 평균 대체가 분석 결과를 어떻게 바꾸는지 R로 비교합니다.
effect size
p-value 다음에 읽는 신뢰구간과 효과 크기
같은 평균 차이도 표본 수에 따라 p-value와 신뢰구간이 달라지는 이유를 계산과 반복 표집으로 살펴봅니다.
ggplot2
ggplot2 히스토그램과 밀도 그래프: 구간을 바꾸면 무엇이 달라질까?
같은 연비 자료의 구간 너비와 밀도 추정 설정을 바꾸며, 분포 그림이 달라지는 이유와 올바른 비교 방법을 알아봅니다.
histogram
ggplot2 히스토그램과 밀도 그래프: 구간을 바꾸면 무엇이 달라질까?
같은 연비 자료의 구간 너비와 밀도 추정 설정을 바꾸며, 분포 그림이 달라지는 이유와 올바른 비교 방법을 알아봅니다.
dplyr
dplyr로 분석용 데이터 만들기: 필터링부터 집단별 요약까지
자동차 연비 데이터로 filter, select, mutate, group_by, summarise를 익히고 행 수·결측값·집계 단위를 점검합니다.
data preparation
dplyr로 분석용 데이터 만들기: 필터링부터 집단별 요약까지
자동차 연비 데이터로 filter, select, mutate, group_by, summarise를 익히고 행 수·결측값·집계 단위를 점검합니다.
correlation
상관계수가 같아도 산점도는 다르다
Anscombe 데이터와 간단한 곡선 예제로 Pearson·Spearman 상관의 차이, 이상치의 영향, 상관과 인과를 살펴봅니다.
scatterplot
상관계수가 같아도 산점도는 다르다
Anscombe 데이터와 간단한 곡선 예제로 Pearson·Spearman 상관의 차이, 이상치의 영향, 상관과 인과를 살펴봅니다.
outlier
이상치는 언제 제거해야 할까?
IQR로 찾은 이상치 후보를 바로 지우면 안 되는 이유와, 원자료 확인·강건한 요약·민감도 분석의 순서를 설명합니다.
sensitivity analysis
이상치는 언제 제거해야 할까?
IQR로 찾은 이상치 후보를 바로 지우면 안 되는 이유와, 원자료 확인·강건한 요약·민감도 분석의 순서를 설명합니다.
t-test
R로 두 집단 비교하기: 독립표본·대응표본과 Welch t-test
독립 집단과 반복 측정의 차이를 먼저 구분하고, Welch t-test와 대응표본 t-test의 결과를 평균 차이·신뢰구간과 함께 보고합니다.
study design
R로 두 집단 비교하기: 독립표본·대응표본과 Welch t-test
독립 집단과 반복 측정의 차이를 먼저 구분하고, Welch t-test와 대응표본 t-test의 결과를 평균 차이·신뢰구간과 함께 보고합니다.
model diagnostics
선형회귀 처음부터 끝까지: 계수보다 먼저 확인할 것
mtcars로 연비 회귀모형을 만들고 계수의 단위, 잔차·영향점 진단, 신뢰구간과 예측구간, 테스트 오차를 확인합니다.
cross validation
교차검증과 데이터 누수: 성능이 지나치게 좋을 때
정답과 무관한 가상 변수에서도 누수가 성능을 좋게 보이게 하는 예제를 통해, fold 안에서 변수 선택과 전처리를 해야 하는 이유를 설명합니다.
data leakage
교차검증과 데이터 누수: 성능이 지나치게 좋을 때
정답과 무관한 가상 변수에서도 누수가 성능을 좋게 보이게 하는 예제를 통해, fold 안에서 변수 선택과 전처리를 해야 하는 이유를 설명합니다.
classification
불균형 분류에서 ROC-AUC와 PR-AUC 함께 읽기
작은 검증 자료로 ROC·PR 곡선을 직접 계산하고, 양성 비율·평균 정밀도·임곗값·오분류 비용의 관계를 살펴봅니다.
ROC
불균형 분류에서 ROC-AUC와 PR-AUC 함께 읽기
작은 검증 자료로 ROC·PR 곡선을 직접 계산하고, 양성 비율·평균 정밀도·임곗값·오분류 비용의 관계를 살펴봅니다.
precision recall
불균형 분류에서 ROC-AUC와 PR-AUC 함께 읽기
작은 검증 자료로 ROC·PR 곡선을 직접 계산하고, 양성 비율·평균 정밀도·임곗값·오분류 비용의 관계를 살펴봅니다.
PCA
R로 PCA 실습하기: 표준화부터 주성분 해석까지
iris와 prcomp로 표준화·설명 분산·loading·score를 확인하고, 학습 기준으로 새 관측값을 변환하는 방법을 실습합니다.
dimensionality reduction
R로 PCA 실습하기: 표준화부터 주성분 해석까지
iris와 prcomp로 표준화·설명 분산·loading·score를 확인하고, 학습 기준으로 새 관측값을 변환하는 방법을 실습합니다.
reproducibility
공개 데이터 하나로 끝내는 R 분석 프로젝트
airquality로 다음 날이 아닌 같은 날의 오존 농도 추정 문제를 정의하고, 분할·결측 처리·EDA·시계열 검증·모델 선택·최종 평가를 연결합니다.
white noise
시계열 분석 1. 백색소음은 무엇일까요?
확률과정과 관측값을 구분하고, 백색소음의 평균·분산·무상관 조건이 각각 무엇을 의미하는지 알아봅니다.
stochastic process
시계열 분석 1. 백색소음은 무엇일까요?
확률과정과 관측값을 구분하고, 백색소음의 평균·분산·무상관 조건이 각각 무엇을 의미하는지 알아봅니다.
random walk
시계열 분석 2. 정상성은 왜 필요할까요?
시간이 지나도 유지되는 확률적 성질을 이해하고, 강정상성·약정상성·백색소음·랜덤워크의 관계를 살펴봅니다.
ACF
시계열 분석 3. 자기상관으로 무엇을 알 수 있을까요?
자기공분산을 자기상관으로 바꾸는 이유를 수식으로 살펴보고, ACF와 PACF의 해석 범위를 알아봅니다.
PACF
시계열 분석 3. 자기상관으로 무엇을 알 수 있을까요?
자기공분산을 자기상관으로 바꾸는 이유를 수식으로 살펴보고, ACF와 PACF의 해석 범위를 알아봅니다.
MA
시계열 분석 4. 이동평균 모형은 무엇을 평균낼까요?
평활화 이동평균과 MA 모형을 구분하고, MA(1)의 분산·ACF·가역성을 직접 계산하고 시뮬레이션합니다.
invertibility
시계열 분석 4. 이동평균 모형은 무엇을 평균낼까요?
평활화 이동평균과 MA 모형을 구분하고, MA(1)의 분산·ACF·가역성을 직접 계산하고 시뮬레이션합니다.
AR
시계열 분석 5. 자기회귀 모형은 과거를 어떻게 기억할까요?
AR(1)의 평균·분산·자기상관을 유도하고, 정상성·상수항·다단계 예측을 R 예제로 연결합니다.
ARMA
시계열 분석 6. AR과 MA를 함께 쓰면 무엇이 달라질까요?
ARMA의 식과 근 조건을 이해하고, ACF·PACF·AIC·잔차를 함께 사용해 후보 모형을 비교합니다.
model selection
시계열 분석 6. AR과 MA를 함께 쓰면 무엇이 달라질까요?
ARMA의 식과 근 조건을 이해하고, ACF·PACF·AIC·잔차를 함께 사용해 후보 모형을 비교합니다.
differencing
시계열 분석 7. 추세를 빼는 것과 차분은 어떻게 다를까요?
로그 변환·추세 제거·일반 차분·계절 차분의 역할을 구분하고, 과차분과 미래 정보 누수를 피하는 방법을 알아봅니다.
transformation
시계열 분석 7. 추세를 빼는 것과 차분은 어떻게 다를까요?
로그 변환·추세 제거·일반 차분·계절 차분의 역할을 구분하고, 과차분과 미래 정보 누수를 피하는 방법을 알아봅니다.
ARIMA
시계열 분석 8. ARIMA의 세 숫자는 무엇을 뜻할까요?
ARIMA(p,d,q)의 차분과 ARMA 구조를 연결하고, Nile 자료로 모형 적합·예측·예측구간을 순서대로 실습합니다.
seasonality
시계열 분석 9. 추세와 계절성을 나누면 무엇이 보일까요?
추세·계절성·불규칙 성분을 나누어 보고, 가법·승법 분해와 STL을 미래 정보 누수 없이 적용합니다.
STL
시계열 분석 9. 추세와 계절성을 나누면 무엇이 보일까요?
추세·계절성·불규칙 성분을 나누어 보고, 가법·승법 분해와 STL을 미래 정보 누수 없이 적용합니다.
SARIMA
시계열 분석 10. SARIMA는 계절 패턴을 어떻게 예측할까요?
SARIMA의 일반·계절 차수를 읽고, 로그 항공 승객 자료에서 예측한 값을 원래 단위로 되돌리는 방법을 알아봅니다.
prediction interval
시계열 분석 10. SARIMA는 계절 패턴을 어떻게 예측할까요?
SARIMA의 일반·계절 차수를 읽고, 로그 항공 승객 자료에서 예측한 값을 원래 단위로 되돌리는 방법을 알아봅니다.
residual diagnostics
시계열 분석 11. 잔차가 조용하면 예측도 믿을 수 있을까요?
잔차의 평균·분산·ACF와 Ljung–Box 검정을 연결하고, 예측구간이 보장하는 범위와 보장하지 않는 것을 살펴봅니다.
Ljung-Box
시계열 분석 11. 잔차가 조용하면 예측도 믿을 수 있을까요?
잔차의 평균·분산·ACF와 Ljung–Box 검정을 연결하고, 예측구간이 보장하는 범위와 보장하지 않는 것을 살펴봅니다.
rolling origin
시계열 분석 12. 미래를 보지 않고 예측 모형을 고를 수 있을까요?
월별 항공 승객 자료로 계절 naïve와 SARIMA를 rolling-origin 방식으로 비교하고, 별도 24개월에서 최종 평가합니다.
research
산업 동향 자료조사: 어떤 자료원부터 살펴볼까요?
정책·해외시장·건설·검색 관심도·ICT·광고·콘텐츠 분야의 자료원 12개를 목적에 맞게 고르고 비교하는 방법을 정리합니다.
industry
산업 동향 자료조사: 어떤 자료원부터 살펴볼까요?
정책·해외시장·건설·검색 관심도·ICT·광고·콘텐츠 분야의 자료원 12개를 목적에 맞게 고르고 비교하는 방법을 정리합니다.
public data
산업 동향 자료조사: 어떤 자료원부터 살펴볼까요?
정책·해외시장·건설·검색 관심도·ICT·광고·콘텐츠 분야의 자료원 12개를 목적에 맞게 고르고 비교하는 방법을 정리합니다.