ㅁ 처리 기술

ㅇ 정의:
시계열 데이터에서 시간에 따라 발생하는 장기적인 증가 또는 감소 추세를 제거하여 데이터의 변동성을 분석하거나 예측 모델을 구축하는 데 사용되는 기법.

ㅇ 특징:
– 데이터의 순환적 패턴과 계절성을 분석하기 위해 필수적.
– 이동 평균, 회귀 분석 등의 방법이 주로 사용됨.
– 트렌드 제거 후 잔차 분석을 통해 데이터의 패턴을 확인 가능.

ㅇ 적합한 경우:
– 데이터 분석 시 계절성이나 주기성을 분리하여 분석하고자 할 때.
– 예측 모델에서 장기적인 변화 요인을 제거하고 단기적 변동성에 집중하고자 할 때.

ㅇ 시험 함정:
– 트렌드 제거와 계절성 제거를 혼동하여 잘못된 분석을 수행하는 경우.
– 트렌드 제거의 필요성을 데이터의 특성과 무관하게 판단하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 트렌드 제거는 시계열 데이터의 계절성을 제거하는 기법이다. (X)
2. 트렌드 제거는 데이터의 장기적 추세를 분석하기 위한 기법이다. (O)
3. 이동 평균은 트렌드 제거 방법 중 하나로 사용될 수 있다. (O)

ㅁ 추가 학습 내용

트렌드 제거와 관련된 학습 내용을 정리하면 다음과 같습니다:

1. 계절성 분해 방법:
– STL 분해: 시계열 데이터를 트렌드, 계절성, 잔차로 분해하는 방법. STL은 Seasonal-Trend decomposition using Loess의 약자로, 로컬 회귀를 사용하여 데이터를 부드럽게 분해합니다. 이 방법은 유연성이 높고 다양한 데이터에 적용 가능하며 계절성이 변하는 데이터에도 효과적입니다.
– X-12-ARIMA: 계절 조정과 트렌드 추정에 사용되는 방법으로, 미국 인구조사국에서 개발되었습니다. ARIMA 모델을 기반으로 하고 있으며, 계절성을 제거하고 데이터의 변화를 분석하는 데 유용합니다.

2. 트렌드 제거 후 잔차의 정상성 여부 확인:
– ADF 테스트: Augmented Dickey-Fuller 테스트로, 시계열 데이터가 정상성을 가지는지 여부를 확인하는 데 사용됩니다. 정상성이란 데이터의 평균, 분산, 자기상관 구조가 시간에 따라 변하지 않는 특성을 의미합니다. ADF 테스트는 귀무가설이 데이터가 정상성을 가지지 않는다는 것을 나타내며, p값이 특정 임계값보다 작으면 정상성을 가진다고 판단합니다.

이 두 가지를 학습하면 트렌드 제거와 데이터 분석 능력을 강화할 수 있으며, 시험 대비에 유리합니다.