https://gomunamu.github.io/시계열 분석, 머신러닝, Python 실전 노트 2026-05-18T22:28:42+09:00 gomunamu https://gomunamu.github.io/ Jekyll © 2026 gomunamu /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-05-17T09:00:00+09:00 2026-05-18T22:28:21+09:00 https://gomunamu.github.io/posts/prophet/ gomunamu

지금까지 ARIMA/SARIMA와 ETS를 살펴봤습니다. 두 모형군은 “과거 관측값의 함수”로 현재를 설명하는 방식입니다. 2017년 Facebook(현 Meta) Research 팀이 발표한 Prophet은 접근법이 다릅니다. 시간 $t$ 자체를 입력으로 받는 회귀 분해 모형입니다.1 1. Prophet의 포지션   ARIMA ETS Prophet 핵심 아이디어 잔차 자기상관 모델링 지수가중 레벨·추세·계절 회귀 분해 (추세+푸리에+휴일) 추세 처리 차분 $\ell_t$, $b_t$ 직접 추적 Piecewis...

2026-05-08T09:00:00+09:00 2026-05-18T22:28:21+09:00 https://gomunamu.github.io/posts/exponential-smoothing-ets/ gomunamu

지난 시리즈에서 ARIMA/SARIMA를 끝까지 다뤘습니다. 시계열 분야에는 ARIMA와 거의 맞먹는 또 다른 표준 모형군이 있습니다. 지수평활(Exponential Smoothing) 과 그 정점인 ETS입니다. Hyndman & Athanasopoulos(2021)의 Forecasting: Principles and Practice에서도 ARIMA보다 앞 챕터에서 다뤄집니다. SES에서 시작해서 추세, 계절성을 차례로 더해 가며 ETS까지 올라가고, 마지막에 같은 Air Passengers 데이터로 ETS와 SARIMA를 수치 비교합니다. 1. 지수평활의 발상 — “최근 값을 더 무겁게” $y_1, y_2, \ldots, y_t$가 주어졌을 때 $\hat{y}_{t+1}$을 어떻게 예측...

2026-05-05T09:00:00+09:00 2026-05-18T22:28:21+09:00 https://gomunamu.github.io/posts/air-passengers-sarima/ gomunamu

지금까지의 시리즈에서 정상성, 모수 추정, AR/MA/ARMA/ARIMA/SARIMA를 차례로 다뤘습니다. 이번 글은 그 모든 것을 실제 데이터 한 묶음에 적용해 처음부터 끝까지 한 사이클을 완주하는 글입니다. 데이터는 시계열 분야의 고전 — Air Passengers 입니다. 1949년 1월부터 1960년 12월까지 월별 국제선 항공 여객 수(천 명 단위, 144개 데이터)이고, Box & Jenkins(1976)의 Time Series Analysis에서 “Series G”로 등장한 이래 시계열 교과서의 표준 예제로 쓰여 왔습니다. 추세, 곱셈형 계절성, 분산 변화가 모두 들어 있어 SARIMA의 모든 절차를 한 번에 보여 줄 수 있습니다. 전체 절차는 7단계입니다. 데이터 첫 인...

2026-05-04T09:00:00+09:00 2026-05-18T22:28:21+09:00 https://gomunamu.github.io/posts/ar-ma-arma-arima-sarima/ gomunamu

지난 포스팅에서 정상성과 모수 추정의 발상을 정리했습니다. 이번 글에서는 그 위에 본격적인 모형들을 올려 보겠습니다. AR, MA, ARMA, ARIMA, SARIMA, 그리고 SARIMAX까지. 이름이 많아 보이지만 실은 AR과 MA라는 두 가지 부품을 어떻게 조립하느냐의 차이입니다. 이번 글의 흐름은 이렇습니다. AR(1)과 MA(1) — 각각 한 시점 충격에 어떻게 반응하는가 차수 p, q를 어떻게 결정하는가 — ACF/PACF의 역할 ARMA, ARIMA — 두 부품을 합치고, 차분으로 비정상을 다스리기 SARIMA — 계절성까지 다루기 SARIMAX — 외생변수를 추가하기 (그리고 다변량 시계열은 다른 이야기) 1. AR(1)과 MA(1) — 두 가지 부품 1.1 ...

2026-05-03T09:00:00+09:00 2026-05-18T22:28:21+09:00 https://gomunamu.github.io/posts/time-series-stationarity/ gomunamu

서론 시계열 분석을 처음 공부하다 보면 “정상성(Stationarity)”이라는 단어를 피할 수 없습니다. ARMA나 VAR 같은 고전적인 시계열 모델들의 이론적 기반을 들여다보면, 대체로 정상성(stationarity) 또는 안정성 조건 위에서 전개됩니다. ARIMA는 비정상 시계열을 차분해 정상적인 ARMA 구조로 바꾸는 접근이고, GARCH는 조건부 분산 과정의 안정성 조건을 따로 요구합니다. 이 포스팅에서는 아래 질문들을 순서대로 풀어갑니다. 정상성이란 무엇인가? 왜 비정상 시계열로는 분석/예측이 어려운가? 단위근(Unit Root)이란 무엇이며, 어떻게 검정하는가? 시계열을 구성하는 요소는 무엇인가? 어떤 요소가 비정상성을 유발하며, 어떻게 정상화하는가? 종합 예시...