સમય શ્રેણી વિશ્લેષણ અને આગાહી આધાર

નફો:

• કૃત્રિમ બુદ્ધિમત્તાના ટેકાથી વલણ, મોસમ, ચક્ર અને સ્થિરતા જેવી સમય શ્રેણીની વિભાવનાઓને સમજવી અને શ્રેણીને યોગ્ય રીતે પાર્સ કરવામાં સક્ષમ બનવું
• ARIMA, ETS અને સાદા બેન્ચમાર્ક મોડલ્સને કોડ તરીકે આર્ટિફિશિયલ ઇન્ટેલિજન્સ, અનુમાનો ઉત્પન્ન કરવાની અને બેકટેસ્ટિંગ સાથે તેનું મૂલ્યાંકન કરવાની ક્ષમતા
• અનિશ્ચિતતા શ્રેણી, મોડલ મર્યાદા અને માળખાકીય વિરામના ચહેરામાં આગાહીની નાજુકતાને સમજવામાં સક્ષમ બનવું, અને આગાહીની જવાબદારી અર્થશાસ્ત્રીની રહે છે તે જાળવી રાખવા માટે.

અર્થશાસ્ત્રની ભાષા સમય છે. ફુગાવો, વૃદ્ધિ, બેરોજગારી, વિનિમય દરો - તે બધી શ્રેણીઓ છે જે સમય જતાં વહે છે, અને અર્થશાસ્ત્રીને વારંવાર પૂછવામાં આવતી વસ્તુઓ પૈકીની એક છે "તો પછી શું થાય છે?" પ્રશ્ન છે. આ એકમમાં, અમે સમય શ્રેણીના ખ્યાલોને સમજવા, મોડલ કોડ બનાવવા અને આગાહીઓ બનાવવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરીશું. પરંતુ ચાલો શરૂઆતથી જ માળખું સ્પષ્ટ કરીએ: આગાહી એ કોઈ ભવિષ્યવાણી નથી, પરંતુ અનિશ્ચિતતા હેઠળની શરતી આગાહી છે અને તેની જવાબદારી અર્થશાસ્ત્રીની છે. AI તમને મિનિટોમાં ARIMA કોડ લખી શકે છે; પરંતુ તે માનવી છે જે નક્કી કરે છે કે તે આગાહી વાજબી છે કે નહીં અને તે માળખાકીય વિરામના ચહેરામાં તૂટી જશે કે કેમ.

સમય શ્રેણીના ઘટકો

તે કોઈપણ આર્થિક શ્રેણીને ચાર ભાગોમાં વિભાજીત કરીને વિચારવામાં મદદ કરે છે:

• વલણ (વૃત્તિ). લાંબા ગાળાની દિશા; જેમ કે અર્થતંત્રનો વિકાસ માર્ગ.
• મોસમ. પેટર્ન જે સમગ્ર વર્ષ દરમિયાન નિયમિતપણે પુનરાવર્તિત થાય છે; ઉનાળામાં પ્રવાસન વધે છે, ડિસેમ્બરમાં છૂટક વેચાણ વધે છે.
• ચક્ર (સંયોજન). મોસમ કરતાં લાંબી, અનિયમિત ઉતાર-ચઢાવ; વિસ્તરણ અને સંકોચનનો સમયગાળો.
• અનિયમિત/અવાજ. અસ્પષ્ટ, રેન્ડમ વધઘટ.

શ્રેણીનો અંદાજ કાઢતા પહેલા, આ ઘટકોનું વિઘટન કરવું જરૂરી છે. કારણ કે કાચી શ્રેણીને જોવી અને "તે ઘટી રહ્યું છે" એમ કહેવું ભ્રામક હોઈ શકે છે: કદાચ તમે ફક્ત મોસમી ચાટમાં છો.

સ્થિરતાનો ખ્યાલ પણ છે: શ્રેણીના આંકડાકીય ગુણધર્મો (સરળ, વિચલન) સમય જતાં બદલાતા નથી. મોટાભાગની આર્થિક શ્રેણી સ્થિર નથી (સતત વધી રહી છે); ઘણા મોડલને બિલ્ડ કરતા પહેલા ભિન્નતા (એક સમયગાળાને બીજામાંથી બાદ કરીને) અથવા લઘુગણક સાથે સ્થિરીકરણની જરૂર પડે છે. AI આ પગલાંઓની ભલામણ કરે છે, પરંતુ તે શા માટે જરૂરી છે તે જાણીને તમારું રક્ષણ થાય છે.

ટીપ: હંમેશા અનુમાન લગાવતા પહેલા શ્રેણીને કાવતરું અને વિઘટન કરો. દેખીતી માળખાકીય વિરામ (દા.ત. કટોકટી અથવા ચલણ સુધારણા) સૌથી અદ્યતન મોડલને પણ મૂર્ખ બનાવશે. ચાર્ટ એ સૌથી સસ્તું નિદાન સાધન છે.

મોડલ્સ: સરળથી જટિલ સુધી, પરંતુ પ્રથમ બેન્ચમાર્ક

સમય શ્રેણીની આગાહીમાં સુવર્ણ નિયમ: હંમેશા સાદા બેન્ચમાર્ક મોડલથી પ્રારંભ કરો. સૌથી સરળ આગાહી એ "નિષ્કપટ આગાહી" છે: આવતીકાલ આજની સમાન હશે (અથવા મોસમી નિષ્કપટ: આ મહિનો ગયા વર્ષના સમાન મહિનાની બરાબર છે). જો જટિલ મોડેલ આ નિષ્કપટ આગાહીને હરાવી શકતું નથી, તો જટિલતા નિરર્થક છે.

પછી વારંવાર ઉપયોગમાં લેવાતી પદ્ધતિઓ:

• ETS / ઘાતાંકીય સ્મૂથિંગ. એક કુટુંબ જે સ્તર, વલણ અને મોસમને વજન આપીને નરમ પાડે છે.
• કૉલિંગ. શાસ્ત્રીય મોડલ ઓટોરેગ્રેસિવ (ભૂતકાળના મૂલ્યો પર આધારિત) અને મૂવિંગ એવરેજ ઘટકોનું સંયોજન; મોસમી આવૃત્તિ SARIMA.
• રીગ્રેસન-આધારિત/સ્પષ્ટીકરણ મોડલ્સ. અન્ય સૂચકાંકો સાથે ચલ સમજાવવું (દા.ત. આવક અને કિંમત દ્વારા માંગ).

AI આ બધાને statsmodels (Python લાઇબ્રેરી)માં કોડ કરી શકે છે. તમારું કામ મોડેલો પસંદ કરવાનું અને માન્ય કરવાનું છે.

બેકટેસ્ટ: આગાહીની કસોટી

જો મોડેલ ઐતિહાસિક માહિતી સાથે "સરસ રીતે બંધબેસે" તો તેનો કોઈ અર્થ નથી; કોઈપણ મોડેલને ફિટ કરવા માટે પૂરતી લવચીક (આને ઓવરફિટિંગ કહેવામાં આવે છે). વાસ્તવિક પ્રશ્ન: મોડેલ તે ન જોયા હોય તેવા સમયગાળાની આગાહી કેટલી સારી રીતે કરે છે? આને માપવા માટે, તમે બેકટેસ્ટિંગ કરો છો: તમે તારીખે ડેટાને વિભાજિત કરો છો, મોડલને પાછલા ભાગ સાથે તાલીમ આપો છો, આગળના ભાગની આગાહી કરો છો "જેમ કે તે ભવિષ્ય હોય" અને તેની વાસ્તવિકતા સાથે તુલના કરો. ભૂલ માપદંડો (ઉદાહરણ તરીકે, MAE — અર્થ સંપૂર્ણ ભૂલ, અથવા RMSE — રુટ સરેરાશ ચોરસ ભૂલ) તમને બેન્ચમાર્ક સાથે મોડેલની તુલના કરવાની મંજૂરી આપે છે.

સાવધાન: તમે મૂલ્યાંકન કરેલ ડેટા સાથે મોડેલને તાલીમ આપશો નહીં. પ્રશિક્ષણમાં ઉપયોગમાં લેવાતા ન હોય તેવા સમયગાળામાં જ આગાહીની સફળતાને માપો. અન્યથા તમે તમારી જાતને છેતરશે; મોડેલ કાગળ પર મહાન છે પરંતુ વાસ્તવિકતામાં નકામું છે.

અનિશ્ચિતતા: શ્રેણી, બિંદુ અંદાજ નથી

એક નંબર ("ફૂગાવો વર્ષના અંત સુધીમાં 24 ટકા હશે") ખોટી નિશ્ચિતતા દર્શાવે છે. પ્રમાણિક અંદાજમાં શ્રેણી અને સંભાવનાનો સમાવેશ થાય છે: "21-27 ટકા બેન્ડમાં, કેન્દ્રનું દૃશ્ય 24 ટકા છે". અનુમાનની અનિશ્ચિતતા મોડેલ દ્વારા ઉત્પાદિત આત્મવિશ્વાસના અંતરાલોમાં વ્યક્ત કરવામાં આવે છે; પરંતુ વાસ્તવિક અનિશ્ચિતતા આના કરતાં વધારે છે, કારણ કે મોડેલની ધારણાઓ પણ ખોટી હોઈ શકે છે. માળખાકીય વિરામ (નીતિ પરિવર્તન, બાહ્ય આંચકો) એ સૌથી મોટું જોખમ છે જે મોડેલ જોઈ શકતું નથી.

ત્રણ નાના કેસો

કેસ 1 - બેન્ચમાર્કને હરાવવામાં નિષ્ફળતા. એક વિશ્લેષકે AI પાસે માસિક છૂટક વેચાણ માટે એક જટિલ SARIMA બનાવ્યું હતું. બેકટેસ્ટમાં, મોડલની સરેરાશ સંપૂર્ણ ભૂલ મોસમી નિષ્કપટ આગાહી કરતાં વધુ ખરાબ હતી જેમાં કહેવામાં આવ્યું હતું કે "આ મહિનો ગયા વર્ષના સમાન મહિના જેટલો છે." વિશ્લેષકે જટિલ મોડેલ છોડી દીધું; તેણે નિષ્કપટ અનુમાનને આધાર તરીકે લીધો અને નિષ્ણાત કરેક્શન ઉમેર્યું. સાદગી જીતે છે.

કેસ 2 — માળખાકીય વિરામ. એક સંસ્થાએ આંચકા પછીના સમયગાળા માટે વિનિમય દરના આંચકા પહેલા ડેટા સાથે પ્રશિક્ષિત ફુગાવાના મોડેલનો ઉપયોગ કર્યો. મોડલ ફુગાવાને ગંભીરપણે ઓછો અંદાજ આપે છે કારણ કે તેણે ભૂતકાળના શાંત સમયગાળાની ગતિશીલતાને ધારી હતી. પાઠ: મોડેલ તે વિશ્વને ધારે છે જેમાં તે પ્રશિક્ષિત છે; જ્યારે વિશ્વ બદલાય છે, આગાહી તૂટી જાય છે. જો અર્થશાસ્ત્રીએ ગ્રાફ તરફ જોયું, તો તે બ્રેક જોશે.

કેસ 3 - શ્રેણીની પ્રમાણિકતા. એક અર્થશાસ્ત્રીએ તેના વર્ષના અંતે વૃદ્ધિની આગાહી મેનેજમેન્ટને એક આંકડા તરીકે નહીં, પરંતુ "3.0-4.2 ટકા બેન્ડ તરીકે રજૂ કરી, આ અંતર્ગત ધારણાઓ છે." વર્ષના અંતે, વસૂલાત 3.6 ટકા હતી; તે બેન્ડમાં હતો. જો તેણે એક નંબર આપ્યો હોત, તો તેના પર કદાચ "ખોટો" લેબલ લગાવવામાં આવ્યું હોત; શ્રેણી અને ધારણાઓ બંને પ્રામાણિક અને જાળવી રાખેલ વિશ્વાસ હતા.

મોડેલ પસંદગી ટેબલ

સ્થિતિ

યોગ્ય શરૂઆત

નોંધ

દરેક અનુમાન

નિષ્કપટ / મોસમી નિષ્કપટ બેન્ચમાર્ક

હરાવ્યું આધાર

વલણ + મોસમ, સપાટ

ETS (ઘાતાંકીય સ્મૂથિંગ)

ઇન્સ્ટોલ અને ટિપ્પણી કરવા માટે સરળ

સ્વતઃસંબંધિત શ્રેણી

(એસ)એરિમા

સ્થિરીકરણની જરૂર છે

એક સમજૂતીત્મક ચલ છે

રીગ્રેશન આધારિત

ભવિષ્યના અનુમાનો પણ જોઈએ

માળખાકીય ભંગાણની શંકા

મોડલ + નિષ્ણાત કરેક્શન

શુદ્ધ મોડેલ પૂરતું નથી

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વિશ્લેષણ અને નિદાન:

તે માસિક શ્રેણી [શ્રેણી] ની રચના કરો, પછી તેને વલણ/મોસમ/અવશેષ ઘટકો (સ્ટેટમોડેલ્સ) માં અલગ કરો. તે સ્થિર છે કે કેમ તે તપાસો (ADF પરીક્ષણ) અને, જો જરૂરી હોય તો, તમે કયા પરિવર્તન (લોગ, તફાવત)ની ભલામણ કરો છો તે સમજાવો. ચાર્ટમાં દૃશ્યમાન માળખાકીય વિરામ છે કે કેમ તે ચિહ્નિત કરો.

2) બેન્ચમાર્ક + મોડેલ સરખામણી:

પ્રથમ આ શ્રેણી માટે મોસમી નિષ્કપટ બેન્ચમાર્ક અનુમાન સ્થાપિત કરો. પછી ETS અને SARIMA સેટ કરો. MAE અને RMSE પર આધારિત ત્રણેયની બેકટેસ્ટ સાથે સરખામણી કરો (છેલ્લા 12 મહિનાનું પરીક્ષણ). પરિણામોને ટેબ્યુલેટ કરો અને સ્પષ્ટપણે જણાવો કે કયા મોડેલ બેન્ચમાર્કને હરાવ્યું.

3) અંદાજ અને અનિશ્ચિતતા શ્રેણી:

મેં પસંદ કરેલ મોડેલ માટે આગામી 6 સમયગાળાની આગાહી કરો અને 80%/95% વિશ્વાસ અંતરાલ આપો. અંદાજને શ્રેણી તરીકે રજૂ કરો, એકલ સંખ્યા તરીકે નહીં. તે સ્પષ્ટ કરો કે આ શ્રેણી માત્ર મોડેલની અનિશ્ચિતતાને આવરી લે છે, માળખાકીય તૂટફૂટ/બાહ્ય આંચકાના જોખમને નહીં.

4) બેકટેસ્ટ વાંચન:

આ બેકટેસ્ટ પરિણામોનું અર્થઘટન કરો [કોષ્ટક]. શું મોડેલ ખરેખર બેન્ચમાર્કને હરાવ્યું છે, અથવા તફાવત આંકડાકીય રીતે મામૂલી છે? જણાવો કે કયા સમયગાળામાં તમારા મોડેલે સૌથી વધુ ભૂલો કરી અને તેના માટે સંભવિત આર્થિક કારણ (કટોકટી, મોસમી પરિવર્તન) પર પ્રશ્ન કરો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ શ્રેણી ધારી.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ રેન્ડમ મોડલ બનાવે છે, બેકટેસ્ટ કરતું નથી, એક વિષમ નંબર આપે છે; તમને ખબર નથી કે મોડેલ કામ કરે છે કે નહીં.

શક્તિશાળી પ્રોમ્પ્ટ:

પ્રથમ વર્તમાન માસિક ફુગાવાની શ્રેણીને વિઘટિત કરો અને વિરામ માટે સ્કેન કરો. મોસમી નિષ્કપટ બેન્ચમાર્ક સામે છેલ્લા 12 મહિનામાં ETS અને SARIMAની બેકટેસ્ટ, MAE સાથે સરખામણી કરો. બેન્ચમાર્કને હરાવતું મોડેલ પસંદ કરો, 6 મહિનાની આગળની આગાહી આપો અને 80% રેન્જ મૂકો. માળખાકીય તૂટવાનું જોખમ અલગ ચેતવણી તરીકે લખો. દરેક પગલા અને સારાંશ નંબરો માટે કોડ બતાવો જે હું જાતે ચકાસી શકું.

સામાન્ય ભૂલો

• બેન્ચમાર્ક સેટ કર્યા વિના જટિલ મોડેલમાં જમ્પિંગ. જટિલતા સફળતા સમાન નથી.
• તે જે ડેટા પર પ્રશિક્ષિત છે તેના પર મોડેલનું મૂલ્યાંકન. સફળતા માટે અતિશય અનુપાલનની ભૂલ કરવી.
• સિંગલ પોઈન્ટ અંદાજ આપવો. ખોટી નિશ્ચિતતા; શ્રેણી અને ધારણા જરૂરી છે.
• માળખાકીય વિરામને અવગણવું. આંધળા રીતે ભૂતકાળને ગતિશીલ ભવિષ્યમાં લઈ જવો.
• સ્થિરીકરણ છોડવું. બનાવટી સંબંધો અને વિકૃત આગાહી.
• ભવિષ્યવાણીને ભવિષ્યવાણી તરીકે રજૂ કરવી. અનિશ્ચિતતા અને જવાબદારી છુપાવો.

સારાંશમાં

સમય શ્રેણીની આગાહી તેના ઘટકોમાં શ્રેણીને અલગ કરીને, તેને સ્થિર બનાવીને, એક સરળ બેન્ચમાર્ક સ્થાપિત કરીને, બેકટેસ્ટિંગ દ્વારા મોડેલોની તુલના કરીને અને અનિશ્ચિતતા શ્રેણી સાથે પ્રમાણિકપણે પરિણામ રજૂ કરીને કરવામાં આવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઝડપથી આ તમામ પગલાં માટે કોડ જનરેટ કરે છે; પરંતુ મોડેલની પસંદગી, માળખાકીય વિરામ અને આગાહી માટેની જવાબદારી અર્થશાસ્ત્રીની છે. આગાહી એ ભવિષ્યવાણી નથી, પરંતુ શરતી અને અનિશ્ચિત આગાહી છે.

એપ્લિકેશન કાર્ય

માસિક આર્થિક શ્રેણી પસંદ કરો (દા.ત. ઔદ્યોગિક ઉત્પાદન સૂચકાંક). 1લા નમૂના સાથે બ્રેકઆઉટ્સ માટે અલગ કરો અને સ્કેન કરો, 2જા નમૂના સાથે મોસમી નિષ્કપટ બેન્ચમાર્કની વિરુદ્ધ બેકટેસ્ટ ETS/SARIMA, 3જી નમૂના સાથે 6-મહિનાની ફોરવર્ડ રેન્જની આગાહી કરો. નોંધ કરો કે તમારું મોડેલ ખરેખર બેન્ચમાર્કને હરાવે છે અને તમે જુઓ છો તે કોઈપણ માળખાકીય વિરામને ફ્લેગ કરો.

ચેકલિસ્ટ

• [ ] મેં શ્રેણીનું કાવતરું ઘડ્યું અને તેનું વલણ/ઋતુ/વિરામના સંદર્ભમાં નિદાન કર્યું.
• જો જરૂરી હોય તો મેં સ્ટેશનરાઇઝેશન (લોગ/તફાવત) લાગુ કર્યું છે અને મને તેનું કારણ ખબર છે.
• [ ] મેં એક સરળ બેન્ચમાર્ક સેટ કર્યો અને તેની સામે જટિલ મોડેલની સરખામણી કરી.
• [ ] મેં મોડેલનું મૂલ્યાંકન ફક્ત તે સમયગાળા દરમિયાન કર્યું જ્યારે તે તાલીમમાં ન હતું (બેકટેસ્ટ).
• [ ] મેં અંદાજને અનિશ્ચિતતા શ્રેણી સાથે રજૂ કર્યો છે, એક પણ સંખ્યા સાથે નહીં.
• [ ] મેં એક અલગ ચેતવણી તરીકે માળખાકીય વિરામ/બાહ્ય આંચકાના જોખમનો ઉલ્લેખ કર્યો છે.
• [ ] મેં કહ્યું કે આગાહી અને અંતિમ ચુકાદાની જવાબદારી મારી છે.