3. Introduction to Forecasting_(2) (2026)

📊 시계열 분석 핵심 정리 (강의 요약)

1. 시계열 분석의 시작: “그림을 먼저 그려라”

시계열 분석의 첫 단계는 데이터를 시각화하는 것이다.

• 전체 흐름(패턴)을 파악
• 특히 아래 2가지를 확인
  • Trend (추세): 장기적인 증가/감소 방향
  • Seasonality (계절성): 반복되는 패턴

👉 단, 그래프 해석은 주관적이기 때문에
반드시 이후에 수치적 방법으로 검증해야 한다.

---

2. 트렌드 & 계절성 파악 방법

✔ 트렌드 확인 방법

• Smoothing (평활화)
• 회귀선 (직선 fitting)

✔ 계절성 확인 방법

• 일정한 주기로 반복되는 패턴 확인
  • 예: 매년 같은 시점에 피크 발생

---

3. Deterministic vs Stochastic

시계열을 보는 두 가지 관점

1️⃣ Deterministic (결정론적)

• 시간(t)에 따라 값이 결정됨
• 예: 선형 회귀 (y = at + b)

👉 쉽고 직관적 → 처음 분석할 때 사용

---

2️⃣ Stochastic (확률적)

• 과거 값이 현재 값에 영향을 줌
• 예: AR, ARMA, ARIMA

👉 더 현실적이지만 어려움

---

📌 핵심 흐름
👉 쉬운 것 → 복잡한 것 순서로 접근

Deterministic → Stochastic → ARIMA

 

---

4. 트렌드 제거 방법 (Detrending)

트렌드를 제거하는 방법은 2가지

방법 1️⃣ 회귀 기반 제거

• 직선(또는 곡선)을 fitting 후 제거
• → Deterministic 방식

방법 2️⃣ 차분 (Differencing)

• 현재값 - 이전값
• → Stochastic 방식

👉 둘 다 사용 가능하며,
결과적으로 계절성 패턴이 남는지 확인

---

5. 시계열 분석의 핵심 목표

👉 Trend + Seasonality를 제거하는 것

이 과정을 비유하면:

• 트렌드 제거 → 큰 살 제거
• 계절성 제거 → 잔여 패턴 제거
• 최종 결과 → White Noise

---

✔ White Noise란?

• 완전히 랜덤한 데이터
• 더 이상 설명할 패턴이 없음

👉 즉,
모델이 완벽하게 설명한 상태

---

6. 모델링 프로세스 (Box-Jenkins 방법론)

시계열 분석의 대표적인 흐름

1️⃣ Identify (패턴 파악)

• 그래프 확인
• 트렌드 / 계절성 분석

2️⃣ Estimate (모델 추정)

• ARMA / ARIMA 적용

3️⃣ Forecast (예측)

• 미래 값 예측

---

7. 잔차(Residual) 분석의 중요성 ⭐

모델링에서 가장 중요한 포인트

👉 잔차 = 실제값 - 예측값

좋은 모델의 조건

• 잔차가 랜덤해야 함
• 패턴이 없어야 함

나쁜 모델 특징

• 특정 패턴 존재
• 한쪽으로 치우침

👉 즉,
잔차에 패턴이 남아 있으면 → 모델이 부족한 것

---

8. 모델 성능 평가 방법

✔ 가장 많이 쓰는 지표

1️⃣ MSE (Mean Squared Error)

• 오차 제곱 평균
• 가장 기본적인 지표

2️⃣ MAE (Mean Absolute Error)

• 절대값 기준 오차

3️⃣ MAPE (주의 필요)

• 비율 기반 오차

⚠️ 단점:

• 값이 작은 구간에서 왜곡 발생

---

9. 시계열 데이터 검증 방법 (중요)

일반 ML과 차이점

❌ 랜덤 샘플링 불가능

→ 시간 순서 깨짐

---

✔ 해결 방법: Hold-out

예:

• 앞 4년 → 학습
• 마지막 1년 → 테스트

---

📌 추천 데이터 길이

• 최소: 3~5년
• 이유:
  • 계절성 반영
  • 안정적인 평가

---

10. 모델 선택 기준 (AIC)

✔ AIC (Akaike Information Criterion)

• 모델의 성능 + 복잡도 고려

👉 공식 개념:

• 잘 맞을수록 ↓
• 복잡할수록 패널티 ↑

👉 선택 기준:
👉 AIC가 가장 작은 모델 선택

---

⚠️ 주의

• 무작정 최소값 선택 ❌
• 기본적으로 “괜찮은 모델들” 중에서 선택해야 함

---

11. Overfitting vs Underfitting

Underfitting

• 학습도 못함
• 너무 단순한 모델

Overfitting

• 학습 데이터만 잘 맞음
• 미래 예측 실패

---

👉 해결 방법

• 테스트 데이터 검증 (Hold-out)

---

12. 실무에서 중요한 관점

✔ 데이터 분석의 전제

👉 “미래도 과거와 비슷하다”

---

⚠️ 하지만 현실은?

• 코로나 같은 이벤트 발생
• 시장 상황 변화

👉 이 경우:
👉 모델 다시 만들어야 함

---

🔥 핵심 한 줄 정리

👉 시계열 분석 = 패턴(Trend + Seasonality)을 제거하고, 남은 것을 설명하는 과정