ㅁ 시간 데이터 처리

ㅇ 정의:
시간 데이터 처리란 시간에 따라 변화하는 데이터를 분석하고 처리하는 과정을 의미한다. 이는 주로 시계열 분석, 시간 기반 그룹화 및 시간 데이터 시각화 등을 포함한다.

ㅇ 특징:
– 시간 데이터를 다룰 때 시간 순서가 중요하다.
– 데이터의 주기성, 추세, 계절성을 파악할 수 있다.
– 데이터의 결측치 처리 및 이상치 탐지가 필요할 수 있다.

ㅇ 적합한 경우:
– 주식, 기온, 판매량 등 시간이 중요한 변수로 작용하는 데이터 분석.
– 미래 예측을 위해 과거 데이터를 기반으로 모델링해야 하는 경우.

ㅇ 시험 함정:
– 시간 데이터를 일반적인 데이터처럼 처리하면 시간 순서가 무시될 수 있음.
– 시계열 데이터의 계절성 및 추세를 간과하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 시계열 데이터는 시간 순서를 유지하며 분석해야 한다.
X: 시계열 데이터는 순서와 관계없이 분석이 가능하다.

================================

1. 시계열 분해

ㅇ 정의:
시계열 분해는 시간 데이터에서 추세, 계절성, 불규칙 변동을 분리하는 기법이다.

ㅇ 특징:
– 시계열 데이터를 구성 요소로 나누어 이해를 돕는다.
– 가법 모델(Additive)과 승법 모델(Multiplicative) 방식이 있다.
– 계절성과 추세를 분리하여 각각 분석 가능하다.

ㅇ 적합한 경우:
– 데이터의 계절적 패턴과 장기적인 추세를 파악해야 할 때.
– 비정상 시계열 데이터를 정상 시계열로 변환하고자 할 때.

ㅇ 시험 함정:
– 가법 모델과 승법 모델의 차이를 혼동할 수 있음.
– 계절성 없는 데이터에 계절성을 강제로 적용하려는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 시계열 분해는 추세와 계절성을 분리하여 분석할 수 있다.
X: 시계열 분해는 모든 데이터에 계절성을 강제로 적용한다.

ㅁ 추가 학습 내용

시계열 분석에서 중요한 추가 개념을 다음과 같이 정리할 수 있습니다.

1. **이동 평균법**
– 데이터를 일정 간격으로 평균화하여 노이즈를 제거하는 기법.
– 시계열 데이터의 추세를 파악하거나 평활하게 만드는 데 사용됨.
– 간단하고 직관적이지만, 최근 데이터의 변화를 반영하는 데 한계가 있을 수 있음.

2. **지수 평활법**
– 최근 데이터를 더 중요시하여 가중치를 부여하는 평활 기법.
– 과거 데이터보다 최근 데이터에 더 큰 영향을 주어 변화에 민감하게 반응.
– 단기 예측에 적합하며, 단순 지수 평활, 이중 지수 평활, 삼중 지수 평활 등 다양한 형태가 있음.

3. **단위근 검정**
– 시계열 데이터의 정상성 여부를 확인하는 통계적 기법.
– 정상성: 평균과 분산이 시간에 따라 일정하고, 자기공분산이 시간 간격에만 의존하는 특성.
– 비정상 데이터는 분석 및 모델링에 적합하지 않을 수 있으므로, 정상성을 확보하기 위해 차분 등의 전처리가 필요.
– 대표적인 단위근 검정 방법: ADF(ADF: Augmented Dickey-Fuller) 검정, KPSS 검정 등.

이러한 개념들은 시계열 데이터 분석과 모델링 시 필수적인 도구로, 각각의 목적과 사용법을 이해하고 활용할 수 있어야 합니다.