فائدہ:
- مصنوعی ذہانت کی مدد سے ٹائم سیریز کے تصورات جیسے رجحان، موسمی، سائیکل اور سٹیشناریٹی کو سمجھنا اور سیریز کو صحیح طریقے سے پارس کرنے کے قابل ہونا
- ARIMA، ETS اور سادہ بینچ مارک ماڈلز کو مصنوعی ذہانت میں کوڈ کے طور پر انسٹال کرنے، پیشین گوئیاں کرنے اور بیک ٹیسٹنگ کے ساتھ ان کا جائزہ لینے کی صلاحیت
- غیر یقینی کی حد، ماڈل کی حد اور ساختی وقفے کے پیش نظر پیشن گوئی کی نزاکت کو سمجھنے کے قابل ہونا، اور اس بات کو برقرار رکھنا کہ پیشن گوئی کی ذمہ داری ماہر معاشیات کی ہی رہتی ہے۔
معاشیات کی زبان وقت ہے۔ افراط زر، نمو، بے روزگاری، شرح مبادلہ - یہ سب ایسے سلسلے ہیں جو وقت کے ساتھ ساتھ بہتے ہیں، اور ایک چیز جو ماہر اقتصادیات سے اکثر پوچھی جاتی ہے وہ یہ ہے کہ "تو آگے کیا ہوگا؟" سوال ہے. اس یونٹ میں، ہم مصنوعی ذہانت کا استعمال ٹائم سیریز کے تصورات کو سمجھنے، ماڈل کوڈ بنانے، اور پیشین گوئیاں تیار کرنے کے لیے کریں گے۔ لیکن آئیے شروع سے ہی فریم ورک کو واضح کرتے ہیں: پیشن گوئی کوئی پیشین گوئی نہیں ہے، بلکہ غیر یقینی صورتحال کے تحت ایک مشروط پیش گوئی ہے، اور اس کی ذمہ داری ماہر معاشیات پر عائد ہوتی ہے۔ AI منٹوں میں آپ کو ARIMA کوڈ لکھ سکتا ہے۔ لیکن یہ انسان ہے جو فیصلہ کرتا ہے کہ آیا وہ پیشین گوئی معقول ہے یا نہیں اور آیا یہ ساختی ٹوٹ پھوٹ کی صورت میں گر جائے گی۔
ٹائم سیریز کے اجزاء
یہ کسی بھی اقتصادی سیریز کو چار حصوں میں تقسیم کرکے سوچنے میں مدد کرتا ہے:
- رجحان (رجحان)۔ طویل مدتی سمت؛ جیسے معیشت کی ترقی کا راستہ۔
- موسمیت۔ پیٹرن جو پورے سال میں باقاعدگی سے دہرایا جاتا ہے؛ موسم گرما میں سیاحت میں اضافہ ہوتا ہے، دسمبر میں پرچون بڑھ جاتی ہے۔
- سائیکل (کنجنکشن)۔ موسم سے زیادہ طویل، بے قاعدہ اتار چڑھاؤ؛ توسیع اور سکڑاؤ کے ادوار۔
- بے ترتیب / شور غیر واضح، بے ترتیب اتار چڑھاؤ۔
سیریز کا تخمینہ لگانے سے پہلے، ان اجزاء کو گلنا ضروری ہے۔ کیونکہ خام سیریز کو دیکھنا اور "یہ گر رہا ہے" کہنا گمراہ کن ہوسکتا ہے: ہوسکتا ہے کہ آپ صرف موسمی گرت میں ہوں۔
سٹیشناریٹی کا تصور بھی ہے: ایک سیریز کے شماریاتی خواص (مطلب، تغیر) وقت کے ساتھ تبدیل نہیں ہوتے ہیں۔ زیادہ تر اقتصادی سلسلے مستحکم نہیں ہیں (مسلسل بڑھ رہے ہیں)؛ بہت سے ماڈلز کو تعمیر کرنے سے پہلے مختلف (ایک مدت کو دوسرے سے گھٹانا) یا لوگارتھمز کے ساتھ سٹیشنرائزیشن کی ضرورت ہوتی ہے۔ AI ان اقدامات کی سفارش کرتا ہے، لیکن یہ جاننا کہ ان کی ضرورت کیوں ہے آپ کی حفاظت کرتا ہے۔
ٹپ: ہمیشہ پیشین گوئی کرنے سے پہلے سیریز کی منصوبہ بندی کریں اور اسے تحلیل کریں۔ ایک ظاہری ساختی وقفہ (مثلاً بحران یا کرنسی کی اصلاح) سب سے جدید ماڈل کو بھی بے وقوف بنا دے گا۔ چارٹ سب سے سستا تشخیصی ٹول ہے۔
ماڈلز: سادہ سے پیچیدہ، لیکن پہلے بینچ مارک
ٹائم سیریز کی پیشن گوئی میں سنہری اصول: ہمیشہ ایک سادہ بینچ مارک ماڈل کے ساتھ شروع کریں۔ سب سے آسان پیشین گوئی "بولی پیشن گوئی" ہے: کل آج کے برابر ہوگا (یا موسمی بولی: یہ مہینہ پچھلے سال کے اسی مہینے کے برابر ہے)۔ اگر ایک پیچیدہ ماڈل اس سادہ پیش گوئی کو شکست نہیں دے سکتا، تو پیچیدگی بیکار ہے۔
پھر اکثر استعمال ہونے والے طریقے:
- ای ٹی ایس / ایکسپونینشل اسموتھنگ۔ ایک ایسا خاندان جو سطح، رجحان اور موسم کو وزن دے کر نرم کرتا ہے۔
- کال کرنا۔ کلاسیکی ماڈل جو خود بخود (ماضی کی اقدار پر مبنی) اور حرکت پذیر اوسط اجزاء کو ملاتا ہے۔ موسمی ورژن SARIMA.
- رجعت پر مبنی / وضاحتی ماڈل۔ دوسرے اشارے کے ساتھ متغیر کی وضاحت کرنا (مثلاً آمدنی اور قیمت کے لحاظ سے مانگ)۔
AI ان سب کو statsmodels (Python لائبریری) میں کوڈ کر سکتا ہے۔ آپ کا کام ماڈلز کو منتخب کرنا اور ان کی تصدیق کرنا ہے۔
بیک ٹیسٹ: پیشین گوئی کا امتحان
اگر کوئی ماڈل تاریخی اعداد و شمار کے ساتھ "اچھی طرح سے فٹ بیٹھتا ہے" تو اس کا کوئی مطلب نہیں ہے۔ کسی بھی ماڈل کو فٹ کرنے کے لیے کافی لچکدار (اسے اوور فٹنگ کہا جاتا ہے)۔ اصل سوال: ماڈل ان ادوار کی کتنی اچھی طرح سے پیش گوئی کرتا ہے جو اس نے نہیں دیکھے؟ اس کی پیمائش کرنے کے لیے، آپ بیک ٹیسٹنگ کرتے ہیں: آپ ڈیٹا کو ایک تاریخ میں تقسیم کرتے ہیں، ماڈل کو پچھلے حصے کے ساتھ تربیت دیتے ہیں، اس سے اگلے حصے کی پیشین گوئی کرتے ہیں "گویا یہ مستقبل ہے" اور اس کا حقیقت سے موازنہ کریں۔ خرابی کے اقدامات (مثال کے طور پر، MAE — مطلب مطلق غلطی، یا RMSE — جڑ کا مطلب مربع غلطی) آپ کو ماڈل کا موازنہ بینچ مارک سے کرنے کی اجازت دیتے ہیں۔
احتیاط: ماڈل کو اس ڈیٹا کے ساتھ تربیت نہ دیں جس کا آپ نے اندازہ کیا ہے۔ پیشن گوئی کی کامیابی کی پیمائش صرف ان ادوار میں کریں جو تربیت میں استعمال نہیں ہوتے ہیں۔ ورنہ تم اپنے آپ کو دھوکہ دو گے۔ ماڈل کاغذ پر بہت اچھا لگتا ہے لیکن حقیقت میں بیکار ہے۔
غیر یقینی صورتحال: حد، نقطہ تخمینہ نہیں۔
ایک عدد ("مہنگائی سال کے آخر تک 24 فیصد ہو جائے گی") غلط یقین کو ظاہر کرتی ہے۔ ایماندارانہ اندازے میں ایک حد اور امکان شامل ہے: "21-27 فیصد بینڈ میں، مرکز کا منظر نامہ 24 فیصد ہے"۔ پیشن گوئی کی غیر یقینی صورتحال کا اظہار ماڈل کے ذریعہ تیار کردہ اعتماد کے وقفوں میں ہوتا ہے۔ لیکن اصل غیر یقینی صورتحال اس سے زیادہ ہے، کیونکہ ماڈل کے مفروضے بھی غلط ہو سکتے ہیں۔ ساختی بریک (پالیسی میں تبدیلی، بیرونی جھٹکا) سب سے بڑا خطرہ ہے جسے ماڈل نہیں دیکھ سکتا۔
تین چھوٹے مقدمات
کیس 1 - بینچ مارک کو مات دینے میں ناکام ہونا۔ ایک تجزیہ کار نے AI کو ماہانہ خوردہ فروخت کے لیے ایک پیچیدہ SARIMA بنانے کا کہا تھا۔ بیک ٹیسٹ میں، ماڈل کی اوسط مطلق غلطی اس موسمی پیش گوئی سے بھی بدتر تھی جس میں کہا گیا تھا کہ "یہ مہینہ پچھلے سال کے اسی مہینے کے برابر ہے۔" تجزیہ کار نے پیچیدہ ماڈل کو ترک کر دیا۔ اس نے بے بنیاد اندازے کو ایک بنیاد کے طور پر لیا اور ایک ماہرانہ اصلاح شامل کی۔ سادگی جیت جاتی ہے۔
کیس 2 - ساختی وقفہ۔ ایک ادارے نے انفلیشن ماڈل کا استعمال کیا جسے اس نے اعداد و شمار کے ساتھ تربیت دی تھی اس سے پہلے کہ صدمے کے بعد کی مدت کے لیے شرح مبادلہ کے جھٹکے سے پہلے۔ ماڈل نے افراط زر کو شدید طور پر کم کیا کیونکہ اس نے ماضی کے پرسکون دور کی حرکیات کو فرض کیا تھا۔ سبق: ماڈل دنیا کو فرض کرتا ہے جس میں اسے تربیت دی جاتی ہے۔ جب دنیا بدلتی ہے تو پیشین گوئی ٹوٹ جاتی ہے۔ ماہر معاشیات نے گراف کو دیکھا تو اسے بریک نظر آئے گی۔
کیس 3 - حد کی ایمانداری۔ ایک ماہر معاشیات نے انتظامیہ کو اپنی سال کے آخر میں ترقی کی پیشن گوئی کسی ایک اعداد و شمار کے طور پر نہیں بلکہ "3.0-4.2 فیصد بینڈ کے طور پر پیش کی، یہ بنیادی مفروضے ہیں۔" سال کے آخر میں وصولی 3.6 فیصد تھی۔ یہ بینڈ میں تھا۔ اگر اس نے ایک نمبر دیا ہوتا تو شاید اس پر "غلط" کا لیبل لگایا جاتا۔ حد اور مفروضے دونوں ہی ایماندار اور برقرار اعتماد تھے۔
ماڈل سلیکشن ٹیبل
حیثیت
مناسب آغاز
نوٹ
ہر قیاس آرائی
بولی / موسمی بولی بینچ مارک
شکست دینے کی بنیاد
رجحان + موسمی، فلیٹ
ETS (ایکسپونینشل اسموتھنگ)
انسٹال اور تبصرہ کرنا آسان ہے۔
خود کار منسلک سیریز
(S)ARIMA
استحکام کی ضرورت ہے۔
ایک وضاحتی متغیر ہے۔
رجعت پر مبنی
مستقبل کی پیشین گوئی کرنے والوں کو بھی ہونا چاہیے۔
ساختی ٹوٹ پھوٹ کا شبہ
ماڈل + ماہر اصلاح
خالص ماڈل کافی نہیں ہے۔
چار کاپی کرنے کے قابل ٹیمپلیٹس
1) تجزیہ اور تشخیص:
اس ماہانہ سیریز [سیریز] کو پلاٹ کریں، پھر اسے رجحان/موسم/بقیہ اجزاء (اسٹیٹ ماڈلز) میں الگ کریں۔ چیک کریں کہ آیا یہ سٹیشنری ہے (ADF ٹیسٹ) اور اگر ضروری ہو تو وضاحت کریں کہ آپ کون سی تبدیلی (لاگ، فرق) تجویز کرتے ہیں۔ نشان زد کریں کہ آیا چارٹ میں کوئی واضح ساختی وقفہ ہے۔
2) بینچ مارک + ماڈل کا موازنہ:
پہلے اس سیریز کے لیے ایک موسمی بولی بینچ مارک کی پیشن گوئی قائم کریں۔ پھر ایک ETS اور ایک SARIMA قائم کریں۔ MAE اور RMSE پر مبنی تینوں کا بیک ٹیسٹ کے ساتھ موازنہ کریں (گزشتہ 12 مہینوں کی جانچ)۔ نتائج کو ٹیبلیٹ کریں اور واضح طور پر بتائیں کہ کس ماڈل نے بینچ مارک کو مات دی۔
3) تخمینہ اور غیر یقینی کی حد:
میرے منتخب کردہ ماڈل کے لیے اگلے 6 ادوار کی پیشن گوئی کریں اور 80%/95% اعتماد کے وقفے دیں۔ تخمینہ کو ایک رینج کے طور پر پیش کریں، ایک عدد کے طور پر نہیں۔ یہ واضح کریں کہ یہ رینج صرف ماڈل کی غیر یقینی صورتحال کا احاطہ کرتی ہے، ساختی ٹوٹ پھوٹ/بیرونی جھٹکے کا خطرہ نہیں۔
4) بیک ٹیسٹ پڑھنا:
ان بیک ٹیسٹ نتائج کی تشریح کریں [ٹیبل]۔ کیا ماڈل اصل میں بینچ مارک کو مات دیتا ہے، یا فرق شماریاتی لحاظ سے غیر معمولی ہے؟ بتائیں کہ کن ادوار میں آپ کے ماڈل نے سب سے زیادہ غلطیاں کی ہیں اور اس کی ممکنہ اقتصادی وجہ (بحران، موسمی تبدیلی) پر سوال اٹھائیں گے۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
اس سلسلے کا اندازہ لگائیں۔
مصنوعی ذہانت ایک بے ترتیب ماڈل بناتی ہے، بیک ٹیسٹ نہیں کرتی، طاق نمبر دیتی ہے۔ آپ نہیں جانتے کہ ماڈل کام کرتا ہے یا نہیں۔
طاقتور اشارہ:
سب سے پہلے موجودہ ماہانہ افراط زر کی سیریز کو گلائیں اور وقفوں کے لیے اسکین کریں۔ گزشتہ 12 مہینوں میں ETS اور SARIMA کو موسمی بے ہودہ بینچ مارک کے مقابلے میں، MAE سے موازنہ کریں۔ وہ ماڈل منتخب کریں جو بینچ مارک کو مات دے، 6 ماہ کی آگے کی پیشن گوئی دیں اور 80% رینج لگائیں۔ ساختی ٹوٹ پھوٹ کے خطرے کو الگ انتباہ کے طور پر لکھیں۔ ہر قدم اور خلاصہ نمبروں کے لیے کوڈ دکھائیں جن کی میں دستی طور پر تصدیق کر سکتا ہوں۔
عام غلطیاں
- بینچ مارکس قائم کیے بغیر پیچیدہ ماڈل میں کودنا۔ پیچیدگی کامیابی کے برابر نہیں ہے۔
- اس ڈیٹا پر ماڈل کا اندازہ لگانا جس پر اسے تربیت دی گئی۔ کامیابی کے لیے ضرورت سے زیادہ تعمیل کو غلط سمجھنا۔
- ایک نقطہ کا تخمینہ دینا۔ غلط یقین؛ حد اور مفروضہ درکار ہے۔
- ساختی وقفے کو نظر انداز کرنا۔ آنکھیں بند کرکے ماضی کی متحرک کو مستقبل میں لے جانا۔
- اسٹیبلائزیشن کو چھوڑنا۔ جعلی تعلقات اور مسخ شدہ پیشین گوئی۔
- پیشگوئی کو بطور پیشگوئی پیش کرنا۔ غیر یقینی صورتحال اور ذمہ داری کو چھپانا۔
خلاصہ میں
ٹائم سیریز کی پیشن گوئی ایک سیریز کو اس کے اجزاء میں الگ کرکے، اسے اسٹیشنری بنا کر، ایک سادہ بینچ مارک قائم کرکے، بیک ٹیسٹنگ کے ذریعے ماڈلز کا موازنہ کرکے، اور غیر یقینی صورتحال کی حد کے ساتھ ایمانداری سے نتیجہ پیش کرکے کی جاتی ہے۔ مصنوعی ذہانت تیزی سے ان تمام مراحل کے لیے کوڈ تیار کرتی ہے۔ لیکن ماڈل کے انتخاب، ساختی بریک ججمنٹ اور پیشن گوئی کی ذمہ داری ماہر معاشیات پر عائد ہوتی ہے۔ پیشین گوئی ایک پیشین گوئی نہیں ہے، لیکن ایک مشروط اور غیر یقینی پیشین گوئی ہے.
درخواست کا کام
ایک ماہانہ اقتصادی سیریز کا انتخاب کریں (جیسے صنعتی پیداوار کا اشاریہ)۔ 1st ٹیمپلیٹ کے ساتھ بریک آؤٹس کے لیے الگ کریں اور اسکین کریں، 2nd ٹیمپلیٹ کے ساتھ ETS/SARIMA کو موسمی سادہ بینچ مارک کے خلاف بیک ٹیسٹ کریں، تیسرے ٹیمپلیٹ کے ساتھ 6 ماہ کی فارورڈ رینج کی پیشن گوئی تیار کریں۔ نوٹ کریں کہ آیا آپ کا ماڈل واقعی بینچ مارک کو مات دیتا ہے اور آپ کو نظر آنے والے کسی بھی ساختی وقفے کو نشان زد کریں۔
چیک لسٹ
- میں نے سیریز کی منصوبہ بندی کی اور رجحان/موسم/ وقفے کے لحاظ سے اس کی تشخیص کی۔
- اگر ضروری ہو تو میں نے اسٹیشنرائزیشن (لاگ/فرق) کا اطلاق کیا ہے اور مجھے وجہ معلوم ہے۔
- میں نے ایک سادہ بینچ مارک ترتیب دیا اور پیچیدہ ماڈل کا اس سے موازنہ کیا۔
- میں نے ماڈل کی جانچ صرف ان ادوار کے دوران کی جب یہ تربیت میں نہیں تھا (بیک ٹیسٹ)۔
- [ ] میں نے تخمینہ ایک غیر یقینی حد کے ساتھ پیش کیا، ایک عدد نہیں۔
- میں نے ایک الگ انتباہ کے طور پر ساختی وقفے/بیرونی جھٹکے کے خطرے کا ذکر کیا۔
- [ ] میں نے برقرار رکھا کہ پیشین گوئی اور حتمی فیصلے کی ذمہ داری مجھ پر عائد ہوتی ہے۔