PE Notes · 확률통계
자기회귀모형(AR) vs 이동평균모형(MA)
시계열 모형: 시간 순서로 관측된 데이터의 자기상관 구조를 모형화해 미래를 예측
시계열 모형: 시간 순서로 관측된 데이터의 자기상관 구조를 모형화해 미래를 예측. 자기회귀모형(AR(p), AutoRegressive): 현재 값을 자기 자신의 과거 p개 값의 선형 결합 + 백색잡음으로 표현.
구조와 칸
| 모형 | ACF | PACF |
|---|---|---|
| AR(p) | 서서히 감소 | p 이후 절단 |
| MA(q) | q 이후 절단 | 서서히 감소 |
| ARMA(p, q) | 서서히 감소 | 서서히 감소 → AIC·BIC로 선택 |
평균·분산이 시간에 따라 일정하고, 공분산이 시차에만 의존하는 성질 — AR·MA·ARMA의 전제. 비정상 시계열(추세·계절성) → 차분(Differencing)·로그 변환·계절 차분으로 정상화 → 의 d. 검정: ADF(Augmented Dickey-Fuller)·KPSS 검정. ① AR(1): Xₜ = 2 + 0.6Xₜ₋₁ + εₜ, Var(εₜ) = 1.
AR vs MA vs ARMA
| 모형 | 내용 |
|---|---|
| ARIMA(p, d, q) | d차 차분 후 ARMA — 추세가 있는 시계열 |
| SARIMA | 계절 차분·계절 AR·MA 항 추가 — 월별·요일별 패턴 |
| ARIMAX / 회귀 + ARIMA 오차 | 외부 변수(프로모션·기온) 포함 |
| GARCH | 분산(변동성)의 시간 변화 모형화 — 금융 |
| VAR | 여러 시계열의 상호 AR — 그랜저 인과성 분석 |
| 머신러닝·딥러닝 | 그래디언트 부스팅·LSTM·트랜스포머 시계열 모델 |
| 기준 | AR(p) | MA(q) | ARMA(p, q) |
|---|---|---|---|
| 구성 | 과거 값 | 과거 오차 | 과거 값 + 과거 오차 |
| ACF | 서서히 감소 | q 후 절단 | 서서히 감소 |
| PACF | p 후 절단 | 서서히 감소 | 서서히 감소 |
| 충격 지속 | 무한(감쇠) | q 시점 | 무한(감쇠) |
| 조건 | 가역성 | 둘 다 | |
| 장점 | 해석·추정 쉬움 | 단기 충격 모형화 | 적은 모수로 복잡한 구조 |
수요 예측: 유통 판매량·전력 수요(SARIMA). IT 운영: 서버 트래픽·CPU 사용률 예측으로 용량 계획·오토 스케일링. 이상 탐지: 예측 잔차가 임계치를 넘는 시점을 이상으로 판정.
답안은 자기회귀모형(AR) vs 이동평균모형(MA)의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
확률통계
시계열 데이터의 이상치
시간 맥락에서만 비정상인 시계열 이상을 점·맥락·추세·계절로 가르고, STL·잔차·CUSUM으로 찾고 대체할지 남길지 고릅니다.
확률통계
상관관계 vs 인과관계
상관관계(Correlation): 두 변수가 함께 변하는 경향(공변 관계) — 한 변수가 커질 때 다른 변수도 커지거나(양의 상관) 작아지는(음의 상관) 정도
확률통계
이상치(Outlier, 3가지 유형: 전역/맥락/군집)
이상치(Outlier): 데이터의 일반적인 패턴·분포에서 크게 벗어난 관측값 — 측정·입력 오류일 수도 있고, 사기·장애·침입 같은 중요한 사건일 수도 있음