İstatistik Sözlüğü → Gözlenemeyen Bileşenler Modeli
Gözlenemeyen Bileşenler Modelianaliz
Bir zaman serisini doğrudan gözlenemeyen seviye, eğim, mevsim, döngü ve düzensiz bileşenlerin toplamı olarak yazan, bu bileşenleri Kalman süzgeciyle kestirip öngörü üreten yapısal zaman serisi modeli.
Kavram
Bir serinin gözlenen değeri, birkaç gizli hareketin toplamı olarak düşünülebilir: yavaşça değişen bir 'gerçek' düzey, bu düzeyin büyüme hızı (eğim), düzenli tekrar eden bir mevsim deseni, birkaç yıl süren dalgalanmalar (döngü) ve ölçüm gürültüsü gibi rastgele sapmalar (düzensiz bileşen). Bu bileşenlerin hiçbiri doğrudan ölçülmez; yalnızca toplamları görülür. Gözlenemeyen bileşenler modeli her bileşeni açıkça tanımlar ve veriden kestirir; böylece sonuç doğrudan yorumlanabilir: 'seviye yükseliyor mu, mevsim deseni değişiyor mu?'
En basit biçim olan yerel düzey modelinde gözlenen değer seviye ile gürültünün toplamıdır, seviye ise her dönem rastgele küçük adımlarla değişir: y_t = μ_t + ε_t, μ_t = μ_{t−1} + η_t. Bileşenlerin varyansları (ε ve η'nın ne kadar dalgalandığı) en çok olabilirlikle kestirilir; bir bileşenin varyansı sıfır çıkarsa o bileşen zaman içinde sabittir. Kalman süzgeci her dönemde bileşenleri yeni gözleme göre günceller, düzleştirme ise bütün veriyi kullanarak her dönemin bileşenlerini en iyi biçimde kestirir.
Model, bileşenlerin ve hataların normal dağıldığını ve birbirinden bağımsız olduğunu varsayar; uygun bir modelde artıklar beyaz gürültüye benzemelidir. Eksik gözlemler Kalman süzgeciyle doğal biçimde ele alınır. Hangi bileşenlerin modele gireceği bir seçimdir ve sonuçları etkiler; bileşenleri gereğinden fazla karmaşık tanımlamak kestirimi kararsız kılabilir.
Ne zaman kullanılır?
- Bir serideki trend, mevsim ve döngüyü yorumlanabilir bileşenler olarak ayırıp bunların zamanla nasıl değiştiğini incelemek ve aynı modelle öngörü yapmak için.
- Seride eksik gözlemler varsa ya da bir müdahalenin (ör. politika değişikliği) etkisi açıklayıcı değişkenle ölçülmek isteniyorsa bu model uygundur.
- Yalnızca betimsel bir ayrıştırma yeterliyse STL; bileşen yorumu gerekmeyen kısa vadeli tahminde ARIMA ya da Holt-Winters de kullanılabilir.
Gündelik bir örnek
Bir ilçenin su idaresi, on yıllık aylık su tüketimini inceliyor. Tüketim nüfus arttıkça yavaşça yükseliyor (seviye ve eğim), her yaz bahçe sulaması nedeniyle artıyor (mevsim) ve sayaç okuma hataları yüzünden bazı aylarda tuhaf sıçramalar gösteriyor (düzensiz). Gözlenemeyen bileşenler modeli bu parçaları ayrı ayrı kestirir: düzleştirilmiş seviye, okuma hatalarından arınmış 'gerçek' tüketim eğilimini gösterir. Mevsim varyansının küçük çıkması yaz artışının yıllar içinde pek değişmediğini, eğimin pozitif olması ise talebin büyümeye devam ettiğini söyler; idare yeni depo ihtiyacını bu öngörüye göre planlar.
MerQur'da parametreler
Açıklayıcı değişkenler
Kavram: Açıklayıcı değişkenler, seriyi bileşenlerin dışında etkileyen bilinen etkenlerdir; katsayıları zaman içinde sabit kabul edilir. Bir müdahalenin etkisi, ilgili dönemden sonra 1, öncesinde 0 olan bir kukla değişkenle ölçülebilir; öngörü için bu değişkenlerin gelecekteki değerleri de gerekir.
Gündelik örnek: Su idaresi beşinci yılın başında kademeli tarifeye geçtiyse 'tarife sonrası = 1' kuklası eklenir. Katsayı örneğin −900 m³ çıkarsa tarife, öteki bileşenler hesaba katıldıktan sonra aylık tüketimi kalıcı olarak yaklaşık 900 m³ düşürmüş demektir.
Ne işe yarar: Açıklayıcıların katsayılarını zamanla sabit, difüz başlangıçlı durum öğesi olarak kestirir. Öngörü için son gözlemden sonraki satırlarda (y boş) açıklayıcı değerleri gerekir.
Sonuca etkisi: Bileşen varyanslarını ve olabilirliği açıklayıcıya göre düzeltir.
Doğrulama verisinde: Nile'da 1899 kayma kuklası: katsayı -247.777777778 (SE 28.4352014427), difüz log olabilirlik -618.109264921; seviye varyansı sınırda sıfıra yakın (6.3e-12).
Tarih ve Değer
Kavram: Tarih sütunu gözlemleri sıralar ve verinin sıklığından (aylık, çeyreklik) mevsim periyodunu belirlemeye yarar; değer, modellenecek seridir. Eksik değerler atılmaz: Kalman süzgeci o dönemi bileşenlerin bir önceki durumundan öngörerek geçer.
Gündelik örnek: Tüketim kaydının iki ayı kayıpsa model bu ayları atlamaz; seviye ve mevsim bileşenlerinden bu aylar için makul bir değer öngörür ve hesaplamaya kaldığı yerden devam eder.
Ne işe yarar: Tarih sütunu ya da sayısal zaman (1871, 1960.25 vb.) seriyi sıralar ve mevsim periyodunu otomatik belirler; yoksa gözlem sırası kullanılır ve periyot elle girilmelidir. Değer modellenecek seridir; eksik y Kalman süzgeciyle taşınır.
Sonuca etkisi: Periyodu ve zaman eksenini belirler; model sonuçları değişmez.
Doğrulama verisinde: Nile 1871-1970 yıllık seri.
Seviye (Stokastik (varyans kestirilir), Sabit (varyans = 0))
Kavram: Stokastik seviye, her dönem rastgele küçük adımlarla değişen bir düzeydir (rastgele yürüyüş); bu adımların varyansı veriden kestirilir. Sabit seviyede düzey tüm dönem boyunca aynıdır ve dalgalanmanın tamamı öteki bileşenlere kalır.
Gündelik örnek: İlçeye yeni mahalleler eklendikçe tüketim düzeyi yıllar içinde kayıyorsa stokastik seviye bu kaymayı izler. Düzey gerçekten hiç değişmiyorsa sabit seviye daha sade ve kararlı bir model verir.
Ne işe yarar: Stokastik seçimde seviye rastgele yürüyüşle değişir; sabit seçimde seviye varyansı 0'dır ve kestirilmez.
Sonuca etkisi: Seviye varyansını ve olabilirliği belirler.
Doğrulama verisinde: Nile yerel düzey: düzensiz varyans 15098.5183822, seviye varyansı 1469.17631948, difüz log L -632.545625103, AIC 1269.09125021; öngörü h = 1: 798.367294458 (SE 143.526537676).
Eğim (Stokastik (varyans kestirilir), Sabit (varyans = 0), Yok)
Kavram: Eğim, seviyenin dönem başına büyüme hızıdır. Stokastik eğim büyüme hızının da zamanla değişmesine izin verir (yerel doğrusal trend); sabit eğim seviyenin her dönem ortalama aynı miktarda değiştiğini (sürüklenmeli yerel düzey), 'yok' seçeneği ise seviyenin sistematik bir yöne gitmediğini varsayar.
Gündelik örnek: İlçenin nüfusu her yıl benzer hızda artıyorsa sabit eğim yeterlidir ve tüketimin ayda ortalama kaç m³ arttığını verir. Göç dalgalarıyla büyüme hızı hızlanıp yavaşlıyorsa stokastik eğim daha uygundur.
Ne işe yarar: Eğim (trend) bileşenini ekler. Stokastik seviye ile stokastik eğim yerel doğrusal trenddir; sabit eğim sürüklenmeli yerel düzeydir.
Sonuca etkisi: Trend esnekliğini ve öngörü eğimini belirler.
Doğrulama verisinde: log UKgas yapısal modelinde eğim varyansı 7.90125050019e-06; log AirPassengers modelinde eğim varyansı sınırda ~0, difüz log L 228.160107091.
Mevsimsellik (Kukla (dummy), Trigonometrik, Yok), [Parametreler] onay kutusu (stokastik mevsim) ve Mevsim periyodu
Kavram: Mevsim bileşeni düzenli tekrar eden deseni temsil eder. Kukla biçiminde her mevsim konumunun kendi etkisi vardır; trigonometrik biçimde desen sinüs ve kosinüs dalgalarının toplamı olarak kurulur. Stokastik mevsim desenin yıllar içinde yavaşça değişmesine izin verir, değilse desen her yıl aynıdır.
Gündelik örnek: Aylık su tüketiminde periyot 12'dir ve Temmuz-Ağustos tepesi mevsim bileşeninde görünür. Son yıllarda bahçe sulamasına kısıtlama getirildiyse yaz tepesi küçülür; stokastik mevsim bu değişimi izleyebilir.
Ne işe yarar: Kukla mevsim s - 1 durumdur; trigonometrik mevsimde harmonikler aynı varyansla gelir. Onay kutusu işaretsizse mevsim örüntüsü sabittir. Periyot otomatikte zaman sütunundan belirlenir (aylık 12, çeyreklik 4).
Sonuca etkisi: Mevsim varyansını, olabilirliği ve bileşenleri değiştirir.
Doğrulama verisinde: log AirPassengers 1949-1958, sabit eğim + trigonometrik mevsim: difüz log L 180.626169348, AIC -355.252338696; öngörü h = 1: 5.86992279605.
Diğer bileşenler: Sönümlü stokastik döngü (onay kutusu)
Kavram: Döngü, mevsimden farklı olarak takvime bağlı olmayan, birkaç yıl süren ve giderek sönümlenen dalgalanmadır. Döngünün periyodu, sönümlenme hızı (rho) ve bozulma varyansı veriden kestirilir.
Gündelik örnek: Kurak geçen birkaç yılın ardından yağışlı yıllar geliyorsa su tüketimi her yaz tekrarlanan mevsim deseninin yanında birkaç yıllık iniş çıkışlar da gösterebilir. Döngü bileşeni bu dalgayı trendden ve mevsimden ayırır.
Ne işe yarar: Sönümlü stokastik döngü ekler: rho (0 < rho < 1), periyot (> 2) ve döngü bozulma varyansı kestirilir; durağan başlangıç.
Sonuca etkisi: Olabilirlik çok tepeli olabilir; çok başlangıçlı ML ile en iyi log olabilirlik seçilir.
Doğrulama verisinde: log UKgas + döngü: log L 74.3729701701, rho 0.943095451234, periyot 2.48293153236.
Diğer bileşenler: Düzensiz (onay kutusu; varsayılan açık)
Kavram: Düzensiz bileşen, ölçüm hatası gibi bir dönemden ötekine taşınmayan rastgele sapmalardır. Kapatılırsa gözlenen seri doğrudan bileşenlerin toplamı sayılır ve bütün dalgalanma öteki bileşenlere yüklenir.
Gündelik örnek: Sayaç okuma hataları bir ay tüketimi fazla, ertesi ay eksik gösteriyorsa bu dalgalanma düzensiz bileşene düşer. Düzensiz bileşen kapatılırsa model bu sıçramaları seviyedeki gerçek değişimler gibi yorumlar.
Ne işe yarar: Ölçüm (düzensiz) bileşenini ekler; kapatılırsa düzensiz varyans 0 kabul edilir.
Sonuca etkisi: Düzgünleştirmenin sıkılığını belirler.
Doğrulama verisinde: Tüm örneklerde açıktır.
Tahmin adımı (varsayılan 12; 0 = öngörü yok)
Kavram: Son gözlemden sonra kaç dönem ileriye öngörü yapılacağını belirler. Öngörüler bileşenlerin son durumunun ileriye taşınmasıyla elde edilir; belirsizlik her adımda bileşenlerin rastgele değişimleri eklendiği için ufukla birlikte büyür.
Gündelik örnek: 12 adım seçilirse idare gelecek yılın her ayı için bir tüketim öngörüsü alır. Yalnızca yerel düzey kullanılan bir modelde bütün aylar için öngörü aynıdır; eğim ve mevsim eklendiğinde öngörü hem yükselir hem yaz aylarında tepe yapar.
Ne işe yarar: Son gözlemden sonraki öngörü adımı sayısını belirler; öngörü aralıkları verilir.
Sonuca etkisi: Yalnız öngörü çıktısını etkiler.
Doğrulama verisinde: Nile h = 1 ve h = 5 için öngörü, SE ve aralıklar verilir.
Ljung-Box gecikmesi (0 = otomatik)
Kavram: Ljung-Box testi bir adım öngörü hatalarında (artıklarda) otokorelasyon kalıp kalmadığını sınar; gecikme, testin kaç dönem geriye bakacağıdır. Anlamlı bir sonuç, modelin serinin bazı yapısını yakalayamadığını gösterir.
Gündelik örnek: Su tüketimi modelinin artıklarında 12. gecikmede otokorelasyon kalmışsa mevsim bileşeni yetersiz tanımlanmış olabilir. Gecikme 24 seçilirse test iki yıllık bir pencereye bakar.
Ne işe yarar: Artıkların Ljung-Box testinin gecikmesini belirler; otomatikte mevsimsel modelde 2s, aksi halde 10 (en çok n/5). Serbestlik derecesi gecikme - q + 1'dir.
Sonuca etkisi: Yalnız tanı çıktısını etkiler.
Doğrulama verisinde: Nile Q(10) 13.1952325025 (p 0.153969362612); AirPassengers 1949-1958 Q(24) 22.5734939166; UKgas Q(8) 8.31986263068.
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Öngörü aralıklarının ne kadar güvenle kurulacağını belirler; güven düzeyi arttıkça aralık genişler. Aralık, gelecekteki tek bir gözlemin olası değer aralığıdır.
Gündelik örnek: Gelecek Temmuz için tüketim öngörüsü 52.000 m³ ise %95 aralık örneğin [47.000; 57.000] olabilir. Depo kapasitesi planlanırken kıtlık riskini azaltmak için aralığın üst sınırı dikkate alınır.
Ne işe yarar: Öngörü aralıklarının güven düzeyini belirler.
Sonuca etkisi: Yalnız aralıkları değiştirir.
Doğrulama verisinde: %95 ile karşılaştırılır.
Seviye, mevsim ve bir adım öngörüyü veri setine kaydet (onay kutusu)
Kavram: Düzleştirilmiş bileşenleri ve bir adım öngörüleri veri setine yeni sütunlar olarak ekler. Düzleştirilmiş seviye, her dönemin bütün veri kullanılarak kestirilen 'gerçek' düzeyidir.
Gündelik örnek: İdare, düzleştirilmiş seviye sütununu ham tüketimle aynı grafikte çizerek okuma hatalarından arınmış eğilimi yönetim kuruluna gösterebilir. Bir adım öngörüler ise modelin geçmiş aylarda ne kadar isabetli olduğunu gösterir.
Ne işe yarar: Düzleştirilmiş seviye, mevsim ve bir adım öngörüyü yeni sütun olarak ekler.
Sonuca etkisi: Hesabı değiştirmez.
Doğrulama verisinde: Nile düzleştirilmiş seviye (t = 1) 1111.66867856.
Gerçek veride örnek
Veri: Nile, Durbin ve Koopman 2001, R datasets
Değişkenler: tarih time (yıl), değer value (yıllık Nil akımı); yerel düzey modeli (eğim ve mevsim yok)
- Soru: Nil yıllık akımı (1871-1970) bir seviye bileşeni ve ölçüm gürültüsü olarak ayrıştırılabilir mi?
- Model: Yerel düzey (stokastik seviye + düzensiz) modeli, kesin difüz Kalman süzgeci ve en çok olabilirlik.
- Varyanslar: Düzensiz σ²_ε = 15098.52 (SE 3145.55, p < .001); seviye σ²_η = 1469.18 (SE 1280.37, p = .251); sinyal-gürültü oranı yaklaşık 0.10.
- Uyum: log L = -632.55, AIC = 1269.09, BIC = 1274.28; seviye bileşeni anlamlıdır (χ²(1) = 158.08, p < .001).
- Tanılar: Ljung-Box Q(10) = 13.20, sd = 9, p = .154; Jarque-Bera p = .977; artıklar beyaz gürültü ve normaldir.
- Öngörü: 1971 için 798.37 (%95 GA [517.06, 1079.67]); yerel düzey modelinde öngörü sabittir, aralık ufukla genişler.
- APA: Yerel düzey modeli, log L = -632.55, AIC = 1269.09; σ²(düzensiz) = 15098.52, σ²(seviye) = 1469.18; Q(10) = 13.20, p = .154.
İlgili kavramlar
Durum uzayı modeli ve Kalman filtresiÖngörü ufku ve öngörü aralığıMevsimsellik ve mevsim periyoduLjung-Box (portmanteau) testiRastgele başlangıçlar ve yerel en iyi çözümTahmin (öngörü) aralığıEn çok olabilirlik (ML) kestirimi
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.