2. Introduction to Forecasting_(2) (2026)

📊 시계열 분석 핵심 정리 (강의 요약)

1. 시계열 분석의 전체 흐름

시계열 분석은 다음 순서로 진행된다.

1. 데이터 시각화 (Time Plot)
2. 패턴 파악
   • Trend (추세)
   • Seasonality (계절성)
3. Deterministic 분석 (회귀 기반)
4. Stochastic 모델 (ARMA 등) 적용

👉 핵심:
"큰 패턴 → 제거 → 남은 데이터 분석"

---

2. 시계열의 핵심 구성 요소

시계열 데이터는 크게 3가지로 나뉜다.

(1) Trend (추세)

• 시간에 따라 증가/감소하는 패턴
• 예: 매출 증가, 물가 상승

(2) Seasonality (계절성)

• 일정한 주기로 반복되는 패턴
• 예:
  • 월별 매출
  • 요일별 방문자 수

(3) Irregular (잔차, 오차)

• 설명되지 않는 랜덤 요소
• = White Noise

---

3. 분석의 핵심 목표

👉 Trend + Seasonality 제거 → 안정적인 데이터 확보

이때 나오는 데이터가:

➡️ Stationary (정상 시계열)

---

4. Stationary (정상성)

✔ 의미

• 평균이 일정
• 분산이 일정
• 시간에 따라 패턴이 변하지 않음

✔ 쉽게 이해하면

👉 "박스권 안에서 움직이는 데이터"

---

5. Trend 제거 방법

✔ 방법 1: 회귀분석

• 시간 변수 ttt 사용

y = β0 + β1 t

 

• 선형 증가/감소 파악 가능

---

✔ 방법 2: Differencing (차분)

• 바로 이전 값과 차이

y_t - y_{t-1}

 

👉 추세 제거 효과 있음

---

6. Seasonality 제거 방법

✔ 방법 1: 더미 변수

예: 월별 데이터

• 1월 ~ 12월 → 더미 변수 생성
• 실제 사용: 11개 (기준 하나 제외)

👉 특정 달 효과를 수치로 표현

---

✔ 방법 2: 전년 동월 차이

y_t - y_{t-12}

 

👉 계절성 제거

---

7. Trend + Seasonality 동시에 제거

👉 두 번 차분

• 1차 차분: Trend 제거
• 계절 차분: Seasonality 제거

---

8. Stochastic 모델 (확률적 모델)

핵심 개념

👉 현재 값은 과거 값의 영향을 받는다

y_t = f(과거 데이터) + error

 

---

주요 개념

• White Noise: 완전 랜덤
• Random Walk: 방향 예측 불가능
• ARMA: 과거 패턴까지 반영

---

9. Random Walk 개념

• 다음 값이 랜덤하게 결정됨

👉 주식 시장 예시

• 상승 확률 = 하락 확률
• 예측 어려움

---

10. 로그 변환 (Log Transformation)

✔ 사용하는 이유

• 값이 커질수록 변동성 증가

👉 로그를 취하면 안정화됨

log(y_t) - log(y_{t-1})

 

👉 수익률 형태로 해석 가능

---

11. 분석 전략 정리

📌 Step-by-Step

1. 그래프 그리기
2. Trend 확인
3. Seasonality 확인
4. 회귀 or 차분으로 제거
5. 잔차 확인
6. 필요하면 ARMA 적용

---

12. 중요한 포인트 (시험 & 실무 핵심)

• 시계열 분석은 패턴 제거가 핵심
• 무조건 AI 넣는 것보다
  👉 구조 이해가 더 중요
• 좋은 모델 =
  👉 Standard Error (오차) 작음

---

💡 한 줄 정리

👉
"시계열 분석은 Trend와 Seasonality를 제거하고, 남은 패턴을 분석하는 과정이다."