데굴데굴 데이터분석

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 오차의 자기상관 해결 05. 자기상관오차회귀모형 🕑 오차의 자기상관 해결방법 1. 변수변환 & 회귀분석 2. 회귀 가변수를 이용한 회귀모형 3. 시계열 모형 : 선형회귀모형의 형태 : 시간이 다른 변수값(과거값)을 사용한다는 점에서 다름 • 자기회귀모형 (Autoregressive, AR model) - y 변수를 과거의 y값으로 적합. . • 자기회귀시차분포모형 (Autoregressive Distributed Lag –ARDL) - y변수를 x변수와 과거의 x값, 과거의 y값으로 적합. • 자기상관오차회귀모형 (Regression model with autoregressive error) -..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 오차의 자기상관 해결 04. ARDL 모델 : 자기회귀시차분포모형 🕑 오차의 자기상관 해결방법 1. 변수변환 & 회귀분석 2. 회귀 가변수를 이용한 회귀모형 3. 시계열 모형 : 선형회귀모형의 형태 : 시간이 다른 변수값(과거값)을 사용한다는 점에서 다름 • 자기회귀모형 (Autoregressive, AR model) - y 변수를 과거의 y값으로 적합. . • 자기회귀시차분포모형 (Autoregressive Distributed Lag –ARDL) - y변수를 x변수와 과거의 x값, 과거의 y값으로 적합. • 자기상관오차회귀모형 (Regression model with autoregressiv..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 오차의 자기상관 해결 03. AR 모델 : 자기회귀모형 🕑 오차의 자기상관 해결방법 1. 변수변환 & 회귀분석 2. 회귀 가변수를 이용한 회귀모형 3. 시계열 모형 : 선형회귀모형의 형태 : 시간이 다른 변수값(과거값)을 사용한다는 점에서 다름 • 자기회귀모형 (Autoregressive, AR model) - y 변수를 과거의 y값으로 적합. . • 자기회귀시차분포모형 (Autoregressive Distributed Lag –ARDL) - y변수를 x변수와 과거의 x값, 과거의 y값으로 적합. • 자기상관오차회귀모형 (Regression model with autoregressive erro..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 오차의 자기상관 해결 02. 회귀가변수 추가 🕑 1. 트렌드 (trend) 1차 자기상관이 심하게 있는 경우 고려해 줘야 하는 사안입니다. 다만 $X$변수에도 trend가 있기 때문에 회귀모형 적합 결과 오차항에는 trend가 남지 않을 수도 있습니다. 하지만 오차항에 trend 자기상관이 남아있다면, trend에 해당하는 가변수를 $X$변수로 추가 가능합니다. 트렌드 가변수로는 시간 가변수 $𝑡$ 또는 $𝑡^2$ 를 사용합니다. 🕑 트렌드 파악 우선 데이터에서 각 feature의 plot을 그려 트렌드 유무를 파악합니다. df1 |t|) (Intercept) 0.6640849 0.3513251..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 오차의 자기상관 해결 01. 차분 🚩 선형회귀 모델의 타당성을 파악하기 위해서, 모집단 모형에는 8가지 가정이 존재합니다. 가정1 : 변수 $Y$와 $X$의 관계는 선형이다. scatter plot으로 검증. 가정2 : $X$는 확률변수가 아닌 주어진 상수값이다. Cross sectional data에서는 그냥 받아들이지만, 시계열데이터에서는 고려. 가정3 : $X$값이 주어져 있을 때, 오차항의 평균은 0이다. $E(εi|X)=0$ 즉, X값이 주어져 있을 때 Y의 평균은 체계적인 부분. 잔차플롯으로 검증. 전반적인 잔차가 0에 모여있는지 확인. 가정4 : $X$값이 주어졌을 때, 오차항의 분..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 시계열 회귀분석 서로 다른 개체 간 오차항들은 서로 자기상관이 없다는 가정의 영향을 고려해줘야 합니다. 특히 시계열 데이터의 특성 상, 각 개체 간 자기상관이 없을 수 없기 때문에 꼭 이에 대한 처리를 해주어야 합니다. 대표적으로, 차분을 진행해서 자기상관을 줄이는 방법이 있겠습니다. 🕑 선형회귀 : lm(Y ~ X1 + X2 + X3, data = DATA) 🕑 먼저, 일반 데이터프레임에 대해 회귀분석을 진행하겠습니다. ## 데이터프레임 head(df1) ## year consumption income wealth interest lnconsump lndpi lnwealth ## 1 1947 ..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 평활기법 (Smoothing) 평활기법은 대부분 prediction 혹은 projection을 위한 방법입니다. 만약 계절성이 있는 데이터라면, 반드시 계절성을 제거한 다음 진행해야합니다. 🕑 1. 선형평활 - naive : naive(TS_DATA) 가장 최근 값을 사용해서 예측하는 방법입니다. setwd("C:\\Users\\yamingu\\Desktop\\고급비즈니스어낼리틱스") oil.df=read.csv("[Ch1.시계열자료준비시계열분해]_files\\BOK_energy_oil.csv") oil.ts=ts(oil.df$oil, start=c(1994,1), frequency=12) ##..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 시계열 분해 시계열 분석 모형의 선택은 Y 변수와 그와 관련있는 다른 변수의 유무에 의해 정해집니다. 🕑 시계열자료의 구성 및 요인 추세요인(trend factor) : 장기변동 / 기술의 변화, 인플레이션 / 전반적인 움직임 순환요인(cycle factor) : 중기변동 / 경기순환주기 / 몇년 단위 반복 움직임 / 파악 어려움 / 계절성 잡은 후 잡기 가능 계절요인(seasonal factor) : 1년 주기로 발생하는 단기변동 불규칙요인(irregular factor) : 측정 및 예측이 어려운 오차변동 / 시계열을 위 세 가지 요인으로 설명하고 남은 변동 • 보통, 주어진 시계열을 추세(..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 aggregate( ) 월별 / 분기별 / 년도별 데이터가 있다면, 큰 주기에 맞춰서 각 데이터의 주기를 맞춰줘야 합니다. 큰 주기의 데이터를 작은 주기로 넣으려면 없는 데이터를 만들어서 넣어야 하기에 가정과 추가적인 모델링이 필요한 경우가 있습니다. 하지만 이 경우, 데이터의 크기가 작아져 몇 가지 문제가 생길 수 있습니다. 어쨌든, 각 데이터의 주기를 맞춰주어야 시계열 분석에 용이하고, 여러 데이터를 하나의 시간 축에 대해서 분석하는 것이 가능해지기 때문에, R에서는 이러한 기능을 수행하는 함수를 제공합니다. 원래 주기가 12짜리 월별 데이터인 AirPassengers 에 aggregate ..

모바일은 화면을 돌려 가로화면으로 보시는 게 읽으시기 편할 수 있습니다. 돌려서 보시는 걸 추천드릴게요!! 🕑 데이터 선언 unemploy.df=read.csv("BOK_unemployment_rate.csv") oil.df=read.csv("BOK_energy_oil.csv") exchange.df=read.csv("BOK_exchange_rate_krw_usd.csv") unemploy.ts=ts(unemploy.df$unemployment_rate, start=2000, frequency=1) oil.ts=ts(oil.df$oil, start=c(1994,1), frequency=12) exchange.ts=ts(exchange.df$exchange_rate_krw_usd, start=c(1980,..