กำไร:
- ความสามารถในการเข้าใจแนวคิดเกี่ยวกับแนวโน้ม ฤดูกาล ความคงที่ และรากของหน่วย และใช้ปัญญาประดิษฐ์กับข้อมูลที่แม่นยำสำหรับการสร้างแบบจำลองอนุกรมเวลาและการคาดการณ์
- ความสามารถในการตีความ ARIMA/แบบจำลองตามฤดูกาล และคาดการณ์ความไม่แน่นอน (ช่วงความเชื่อมั่น การวิเคราะห์สารตกค้าง) และหลีกเลี่ยงการถดถอยปลอม
- ความสามารถในการแยกแยะว่าการทำนายด้วยปัญญาประดิษฐ์นั้นมีพื้นฐานมาจากรูปแบบในอดีต และการตัดสินของผู้เชี่ยวชาญนั้นมาก่อนในช่วงที่มีการพังทลายของโครงสร้างและวิกฤต
ข้อมูลส่วนใหญ่ที่เป็นประโยชน์สำหรับนักเศรษฐศาสตร์และนักวิเคราะห์ทางการเงินคืออนุกรมเวลา: ค่าของตัวแปรเดียวกันที่วัดในช่วงเวลาสม่ำเสมอตลอดช่วงเวลา (อัตราเงินเฟ้อรายเดือน ราคาหุ้นรายวัน GDP รายไตรมาส) อนุกรมเวลาแตกต่างโดยพื้นฐานจากข้อมูลภาคตัดขวางทั่วไปเนื่องจากการสังเกตไม่เป็นอิสระ: ค่าของวันนี้ขึ้นอยู่กับเมื่อวาน การพึ่งพาอาศัยกันนี้เป็นทั้งโอกาส (เราสามารถทำนายอนาคตได้) และอันตราย (การถดถอยธรรมดามักทำให้เข้าใจผิดได้ง่ายที่นี่) ในหน่วยนี้ เราจะดูว่าปัญญาประดิษฐ์ (AI) กำลังเร่งการสร้างแบบจำลองและการพยากรณ์อนุกรมเวลาอย่างไร แต่เหตุใดกับดักที่อันตรายที่สุด—การถดถอยแบบลวง—จึงต้องการความสนใจ
แนวคิดพื้นฐาน
โดยทั่วไปอนุกรมเวลาประกอบด้วยสามองค์ประกอบ: แนวโน้ม (แนวโน้มขึ้น/ลงในระยะยาว) ฤดูกาล (รูปแบบปกติที่เกิดขึ้นซ้ำตลอดทั้งปี เช่น การท่องเที่ยวที่เพิ่มขึ้นในฤดูร้อน) และวงจร/สัญญาณรบกวน (ความผันผวนที่ตกค้าง) ก่อนการสร้างแบบจำลอง คุณลักษณะที่สำคัญที่สุดของซีรีส์นี้คือความคงที่
อนุกรมที่อยู่กับที่คืออนุกรมที่มีคุณสมบัติทางสถิติ (ค่าเฉลี่ย ความแปรปรวน) คงที่เมื่อเวลาผ่านไป อนุกรมที่ไม่คงที่มีแนวโน้ม ความแปรปรวนเพิ่มขึ้น หรือมีหน่วยรูท รากของหน่วยคือโครงสร้างที่ซีรีส์จะ "จดจำ" แรงกระแทกอย่างถาวร และไม่กลับไปสู่ค่าเฉลี่ย ซีรีส์ดังกล่าวมีพฤติกรรมเหมือนการเดินสุ่ม เหตุใดจึงสำคัญ? เนื่องจากการถดถอยระหว่างอนุกรมที่ไม่คงที่สองอนุกรมสามารถสร้างค่าสัมประสิทธิ์ R-กำลังสองที่สูงและมีนัยสำคัญ แม้ว่าในความเป็นจริงจะไม่มีความสัมพันธ์กันก็ตาม สิ่งนี้เรียกว่าการถดถอยปลอม มีเพียงกระแสทั่วไปเท่านั้นที่ทำให้ทั้งสองซีรีส์ดูเหมือน "เกี่ยวข้องกัน"
ข้อควรระวัง: ตัวเลขที่เพิ่มขึ้น 2 รายการ (เช่น ประชากรของประเทศหนึ่งและยอดขายไอศกรีมของอีกประเทศหนึ่ง) อาจมีความสัมพันธ์กันอย่างมาก เมื่อทั้งสองเพิ่มขึ้นเมื่อเวลาผ่านไป นี่ไม่ใช่ความสัมพันธ์ แต่เป็นภาพลวงตาของกระแสทั่วไป อย่าลืมตรวจสอบความคงที่ก่อนที่จะเริ่มการถดถอยในอนุกรมเวลา
ขั้นตอนการทำงานอนุกรมเวลาแบบทีละขั้นตอน
1. เห็นภาพ พล็อตซีรีส์: มีแนวโน้มหรือไม่ ฤดูกาลมีความแปรปรวนหรือไม่ ความแปรปรวนเปลี่ยนแปลงไปตามกาลเวลา มีการแตกหักของโครงสร้างหรือไม่ (ระดับการเปลี่ยนแปลงกะทันหัน)
2. ทดสอบความนิ่ง การทดสอบ ADF (Augmented Dickey-Fuller) และหน่วยทดสอบการทดสอบ KPSS ราก/ความคงที่ ทั้งสองเสริมซึ่งกันและกัน: ใน ADF สมมติฐานว่างคือ "มีหน่วยรูท" ใน KPSS จะเป็น "คงที่" การใช้ทั้งสองอย่างร่วมกันจะปลอดภัยกว่า
3. เมื่อยล้า หากอนุกรมไม่คงที่ ก็มักจะมีความแตกต่าง (ความแตกต่างของการสังเกตต่อเนื่อง ซึ่งจะลบแนวโน้ม) การสร้างความแตกต่างเพียงครั้งเดียวจะทำให้ซีรีส์ "ลำดับแรกบูรณาการ" (I(1)) อยู่กับที่ การแปลงบันทึกยังช่วยได้หากความแปรปรวนเพิ่มขึ้น
4. สร้างแบบจำลอง เฟรมเวิร์กที่พบบ่อยที่สุดคือ ARIMA (AutoRegressive Integrated Moving Average): มันรวมส่วนประกอบ AR (การพึ่งพาอนุกรมกับค่าในอดีต), I (ระดับความแตกต่าง), MA (ผลกระทบของข้อผิดพลาดในอดีต) หากมีฤดูกาลก็ใช้สาริมา AI สร้างโค้ดสำหรับเครื่องมือการเลือกอัตโนมัติ เช่น auto.arima แต่อย่าสุ่มสี่สุ่มห้ายอมรับการเลือกอัตโนมัติ
5. ตรวจสอบสิ่งเหลือใช้ สิ่งตกค้างของโมเดลที่ดีควรเป็นไวท์นอยส์: ไม่มีรูปแบบ ไม่มีความสัมพันธ์อัตโนมัติ การทดสอบ Ljung-Box จะทดสอบสิ่งนี้ หากยังมีลวดลายเหลืออยู่ แสดงว่าแบบจำลองไม่สมบูรณ์
6. ทำนายและแสดงความไม่แน่นอน การคาดการณ์ไม่ใช่เส้นเดียว ให้ไว้ด้วยช่วงความเชื่อมั่น/การประมาณการเสมอ ระยะจะกว้างขึ้นเมื่อขอบฟ้ายาวขึ้น — นี่เป็นสัญญาณของความซื่อสัตย์ ไม่ใช่ข้อบกพร่อง
Cointegration: ความสัมพันธ์ที่แท้จริงกับซีรีส์ที่ไม่อยู่กับที่
ซีรีส์ที่ไม่อยู่กับที่สองชุดไม่ได้ให้ความสัมพันธ์ปลอมเสมอไป หากมีความสมดุลในระยะยาวอย่างแท้จริงระหว่างทั้งสอง (ทั้งสองเคลื่อนไปพร้อมกัน) สิ่งนี้เรียกว่าการรวมกลุ่มและสามารถจำลองด้วยแบบจำลองการแก้ไขข้อผิดพลาด (ECM) ดังนั้นวิธีแก้ปัญหาจึงไม่ใช่ "ความแตกต่างและทิ้งข้อมูล"; คือการทดสอบการรวมกลุ่มกันก่อน ความแตกต่างนี้แยกความแตกต่างการถดถอยปลอมจากความสัมพันธ์ระยะยาวที่แท้จริง และเป็นการพิจารณาทางทฤษฎีที่ AI ไม่สามารถตัดสินใจได้ด้วยตัวเอง
แผนภูมิเปรียบเทียบ
สถานะ
อาการ
แนวทางที่ถูกต้อง
ชุดเครื่องเขียน
ค่าเฉลี่ย/ความแปรปรวนคงที่
การเก็บถาวรโดยตรง
มีแนวโน้ม (รูทหน่วย)
เพิ่มขึ้นอย่างต่อเนื่อง ADF ไม่มีความหมาย
ความแตกต่างแล้วแบบจำลอง
สองชุดที่ไม่อยู่กับที่
R²สูงอาจเป็นของปลอม
ขั้นแรก การทดสอบการรวมกลุ่ม
ตามฤดูกาล
รูปแบบการทำซ้ำประจำปี
ซาริมา / ความแตกต่างตามฤดูกาล
การแตกหักของโครงสร้าง
ระดับ/ความลาดชันเปลี่ยนแปลงกะทันหัน
การทดสอบการแตกหัก การตัดสินของผู้เชี่ยวชาญ
ข้อความแจ้งที่สามารถคัดลอกได้สี่รายการ
1. การวินิจฉัยความนิ่ง:
บทบาทของคุณ: ผู้ช่วยอนุกรมเวลา ฉันต้องการรหัส R ฉันไม่เปิดเผยข้อมูล 'series' คืออนุกรมเวลารายเดือน (วัตถุ ts) ภารกิจ: (1) วาดอนุกรมและกราฟความสัมพันธ์อัตโนมัติ (ACF/PACF) (2) ใช้การทดสอบ ADF และ KPSS (3) อธิบายวิธีการตีความผลลัพธ์ร่วมกัน ฉันจะตัดสินใจทำสิ่งที่แตกต่าง คุณทำการวินิจฉัย
2. การสร้างแบบจำลอง (ภายใต้การดูแล):
ซีรีส์ของฉันดูหยุดนิ่งตั้งแต่แรก เสนอแบบจำลองด้วย auto.arima แต่: (1) อธิบายคำสั่งที่เลือก (p, d, q) และเหตุใดจึงเลือก (2) เพิ่มโค้ดเพื่อทดสอบว่าส่วนที่เหลือเป็นเสียงสีขาวด้วย Ljung-Box หรือไม่ (3) เตือนฉันไม่ให้ยอมรับการเลือกอัตโนมัติแบบสุ่มสี่สุ่มห้า
3. คำเตือนการถดถอยปลอม:
ฉันต้องการตั้งค่าการถดถอยระหว่างอนุกรมเวลาสองชุดของฉัน (X, Y) แต่ทั้งสองอนุกรมไม่มีแนวโน้มเลย เขียนโค้ดเวิร์กโฟลว์ที่จะตรวจสอบความเสี่ยงของการถดถอยปลอม: ขั้นแรกให้ทดสอบความคงที่ของทั้งสอง จากนั้นจึงใช้การทดสอบการผสานรวม (Engle-Granger หรือ Johansen) ก่อนที่ฉันจะเรียกใช้ lm() โดยตรง ให้หยุดฉันและอธิบายว่าเหตุใดจึงเป็นอันตราย
4. การทำนายและความไม่แน่นอน:
เขียนโค้ดที่สร้างการคาดการณ์ล่วงหน้า 12 เดือนด้วยโมเดล ARIMA ที่ฉันสร้างขึ้น พล็อตการประมาณการด้วยช่วงความเชื่อมั่น 80% และ 95% เพิ่มหมายเหตุด้านล่างแผนภูมิว่าการคาดการณ์นั้นอิงจากรูปแบบในอดีต และอาจใช้ไม่ได้ในกรณีที่โครงสร้างพัง/วิกฤต
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
ค้นหาความสัมพันธ์ระหว่างสองชุดนี้กับการถดถอยแล้วทำนายปีหน้า
คำกล่าวอ้างนี้เป็นการเชื้อเชิญให้เข้าสู่กับดักการถดถอยที่ผิดพลาด: หากมีการตั้งค่าการถดถอยโดยไม่ตรวจสอบความคงที่ จะมี "ความสัมพันธ์" ที่มีค่า R-square สูงแต่ไร้ความหมาย และการประมาณการที่ไม่สมเหตุสมผลก็จะปรากฏขึ้น
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้ช่วยอนุกรมเวลาอย่างระมัดระวัง ดำเนินการทีละขั้นตอน: (1) ทดสอบความคงที่ของทั้งชุดข้อมูลและรายงาน (2) หากไม่คงที่ อย่าทำการถดถอยโดยตรง ทดสอบการรวมเหรียญก่อน (3) หากคุณสร้างการพยากรณ์ อย่าลืมเพิ่มช่วงความเชื่อมั่นและเขียนคำเตือนการแตกของโครงสร้าง ปล่อยให้การตัดสินใจเป็นหน้าที่ของฉันทุกขั้นตอน ความคืบหน้าอัตโนมัติ
ความแตกต่าง: ความต้องการที่แข็งแกร่งต้องอาศัยความคงที่และการบูรณาการก่อนที่จะเกิดการถดถอย ซึ่งนำเสนอค่าประมาณด้วยความไม่แน่นอน
มินิเคสสามอัน
กรณีที่ 1 — การถดถอยปลอม นักวิเคราะห์พบว่า R²=0.91, p<0.001 ระหว่างซีรีย์ที่เพิ่มขึ้นสองชุด (การหมุนเวียนของภาคส่วนหนึ่งและการใช้พลังงานของประเทศอื่น) และเขียนว่า "ความสัมพันธ์ที่แน่นแฟ้น" เมื่อที่ปรึกษาของเขาขอการทดสอบความคงตัว พบว่าทั้งคู่มีหน่วยราก และเมื่อนำผลต่างออกไป ความสัมพันธ์ (r = 0.04) ก็หายไปหมด ค่า R-squared ที่สูงเป็นเพียงภาพลวงตาของแนวโน้มทั่วไป บทเรียน: การถดถอยอนุกรมเวลาไม่น่าเชื่อถือหากไม่มีการทดสอบความคงที่
กรณีที่ 2 — ความไว้วางใจแบบไร้เหตุผลในโมเดลอัตโนมัติ นักเรียนคนหนึ่งใช้โมเดลที่เลือกโดย auto.arima โดยไม่ตรวจสอบ เขาไม่สังเกตเห็นฤดูกาลที่สำคัญที่เหลืออยู่ในการวิเคราะห์ของเขาอีกต่อไป แบบจำลองประเมินช่วงฤดูร้อนต่ำเกินไปอย่างเป็นระบบ การทดสอบ Ljung-Box แสดงความสัมพันธ์อัตโนมัติในสารตกค้าง วิธีที่ถูกต้อง: คือการเพิ่มองค์ประกอบตามฤดูกาล (SARIMA) บทเรียน: การเลือกอัตโนมัติเป็นจุดเริ่มต้น ไม่ใช่คำสุดท้าย ต้องตรวจสอบสารตกค้าง
กรณีที่ 3 — การคาดการณ์การล่มสลายที่โครงสร้างแตก โมเดลหนึ่งคาดการณ์ความต้องการในปี 2020 ด้วยข้อมูลปี 2019 ช่วงความเชื่อมั่นแคบ ประมาณการก็มั่นใจ บิ๊กช็อค (โรคระบาด) ปี 2020 พัดการคาดการณ์ไปอย่างสิ้นเชิง เพราะโมเดลรู้แต่รูปแบบในอดีตเท่านั้น บทเรียน: การพยากรณ์อนุกรมเวลาถือว่าอดีตจะคล้ายกับอนาคต ในช่วงเวลาที่เกิดวิกฤติ/ล่มสลาย คำตัดสินของผู้เชี่ยวชาญจะมาก่อน
ข้อผิดพลาดทั่วไป
- สร้างการถดถอยโดยไม่ตรวจสอบความคงที่ การถดถอยปลอมทำให้เกิดความสัมพันธ์ที่มีกำลังสองสูงแต่ไม่มีนัยสำคัญ ใช้ ADF/KPSS ก่อน
- การสร้างความแตกต่างและการข้ามการบูรณาการ หากมีความสัมพันธ์ระยะยาวจริงๆ การเอาส่วนต่างออกไปโดยสุ่มสี่สุ่มห้าจะทำให้ข้อมูลหมดไป ทดสอบการรวมกลุ่มก่อน
- การใช้โมเดลอัตโนมัติโดยไม่ตรวจสอบ auto.arima เป็นการเริ่มต้นที่ดี แต่ไม่น่าเชื่อถือหากไม่ได้ตรวจสอบสิ่งตกค้าง (Ljung-Box)
- การนำเสนอประมาณการเป็นบรรทัดเดียว การประมาณค่าที่ไม่มีช่วงความเชื่อมั่นจะทำให้เกิดความแม่นยำที่ผิดพลาด แสดงความไม่แน่นอนอยู่เสมอ
- โดยไม่สนใจการแตกหักของโครงสร้าง การเปลี่ยนแปลงของวิกฤต/ระบอบการปกครองขัดขวางรูปแบบในอดีต โมเดลไม่สามารถรู้สิ่งนี้ได้ ต้องใช้ดุลยพินิจจากผู้เชี่ยวชาญ
เคล็ดลับ: ก่อนที่จะเขียนการค้นหาอนุกรมเวลา ให้ดูที่กราฟดิบของอนุกรมนั้นอีกครั้ง แนวโน้มหรือการทะลุที่ชัดเจนที่คุณเห็นด้วยตาของคุณเองเป็นคำเตือนที่แข็งแกร่งที่สุดว่าไม่มีการทดสอบใดที่จะทำให้คุณลืมได้
โดยสรุป
ในการวิเคราะห์อนุกรมเวลา การสังเกตไม่เป็นอิสระ สิ่งนี้ให้พลังในการทำนายและสร้างข้อผิดพลาด เช่น การถดถอยแบบปลอมๆ ทดสอบความคงที่ (ADF/KPSS) ก่อนการสร้างแบบจำลอง ทดสอบการรวมเหรียญแทนที่จะสร้างการถดถอยโดยตรงระหว่างอนุกรมที่ไม่อยู่กับที่ ตรวจสอบสิ่งตกค้างของรุ่น ARIMA/SARIMA จนกว่าจะมีสัญญาณรบกวนสีขาว นำเสนอค่าประมาณด้วยช่วงความเชื่อมั่นเสมอ AI สร้างโค้ดสำหรับขั้นตอนทั้งหมดเหล่านี้ แต่ผู้เชี่ยวชาญจะควบคุมการเลือกโมเดลอัตโนมัติ การตัดสินใจบูรณาการ และการตีความการแตกโครงสร้าง การทำนายขึ้นอยู่กับอดีต ในยามวิกฤติ การตัดสินของมนุษย์คือผู้ตัดสินขั้นสุดท้าย
งานสมัคร
เลือกอนุกรมเวลา (รายเดือนหรือรายไตรมาส) ก่อน AI ให้ขอและเรียกใช้การวินิจฉัยความคงที่ (กราฟ, ACF/PACF, ADF, KPSS) และจัดประเภทซีรีส์เป็นแบบอยู่กับที่/ไม่อยู่กับที่ แยกความแตกต่างหากจำเป็น ตั้งค่าแบบจำลอง ARIMA/SARIMA และตรวจสอบสิ่งตกค้างด้วย Ljung-Box สร้างการคาดการณ์ล่วงหน้าในช่วง 6-12 และพล็อตด้วยช่วงความเชื่อมั่น สุดท้าย ให้พิจารณาในย่อหน้าว่าการคาดการณ์ของคุณอาจผิดอย่างไรหากมีการแตกหักของโครงสร้างข้อมูล
รายการตรวจสอบ
- [ ] ฉันวางแผนซีรีส์นี้และตรวจสอบแนวโน้ม ฤดูกาล และการหยุดพักด้วยสายตา
- [ ] ฉันทดสอบการอยู่กับที่ด้วย ADF และ KPSS; ฉันได้ส่วนต่างที่ต้องการแล้ว
- [ ] ฉันหลีกเลี่ยงการถดถอยโดยตรงและทดสอบการรวมกลุ่มระหว่างซีรีส์ที่ไม่อยู่กับที่
- [ ] ฉันตรวจสอบโมเดลที่เหลือ (Ljung-Box) และยืนยันว่าเป็นเสียงสีขาว
- [ ] ฉันนำเสนอค่าประมาณด้วยช่วงความเชื่อมั่น ฉันไม่ได้ให้มันเป็นบรรทัดเดียว
- [ ] ฉันสังเกตเห็นขีดจำกัดของการทำนายในกรณีที่โครงสร้างแตกหัก/วิกฤติ