30점 만점, 방통대, 예측방법론, 2024-1학기

문서 내 토픽

• 1. 원계열

  원계열이란 원래의 시계열 자료로 추가적인 조정이 없는 원 상태 그대로를 의미하며 시간에 따라서 관측된 데이터이다. 시계열 자료에서는 시간의 흐름에 따라서 패턴과 변동이 존재하는데, 변동의 요소로는 불규칙변동, 추세변동, 계절변동, 순환변동이 있다.

• 2. 계절조정

  계절조정은 시계열 자료에 있는 계절 변동을 통계적인 방법으로 추출한 뒤, 원래 시계열 자료로부터 제거하여 조정하는 과정을 의미하며, 이 때 계절 변동은 주기가 1년이며, 계절 변화와 여러 관습 등에 의해서 발생하게 된다. 이러한 과정이 원계열에 적용되었을 때, 즉 원래 자료에서 계절 변동이 제거된 계열을 계절조정계열이라고 한다.

• 3. 광공업생산지수

  광공업생산지수란 제조업, 광업, 전기·가스·증기 및 수도사업을 대상으로 하여 매 월마다생산 실적을 조사한 것을 의미하며, 기준년도 (2015년=1000)의 생산 수준과 비교하여 현재의 생산 수준 정도를 나타내는 지표이다. 이 중 제조업에 해당하는 부분만 나타낸 것을 제조업 생산지수라고 하며 이는 공급망의 변동, 자연 재해, 수요의 변화 등 여러 외부적 요인으로부터 영향을 받아 변동한다.

• 4. 계절요인

  제조업에 영향을 주는 계절 요인으로는 예를 들면 8월의 경우는 여름 휴가가 있기 때문에 공장 가동률이 감소하여 이로 인한 영향으로 생산 규모가 감소하는 것처럼 보인다. 이러한 왜곡을 피하기 위해 전년의 동월 지표와 비교하거나 차분을 하는 등 여러 조정 방법을 사용한다.

• 5. 시계열 분석

  1980년대부터 2023년까지 광공업 생산지수는 전반적으로 점차 증가하고 있으나, 그 안에서는 증감을 반복하고 있다. 빨강색 선을 보면 검정색 선에 비해 변동이 더 크기 때문에 계절 변동의 영향을 받는 것으로 보이며, 검정색 선은 계절조정 지수로 변동 요인을 조정하였기 때문에 빨강색 선에 비해 변동 폭이 적은 것으로 나타났다. 전반적으로 계속 상승하였으나 1990년대 말, 2000년대 말, 2020년대 초 급감하는 양상을 보였는데, 이는 각각 IMF, 리먼 브라더스 사태, COVID-19로 인한 경기 둔화로 제조업이 영향을 받아 제조업 지수가 감소한 것으로 보인다.

• 6. 스펙트럼 분석

  스펙트럼을 그래프로 나타내었으며, 빨간색 선은 저주파수와 계절주파수에서 큰 값을 가진다. 저주파수에서의 값이 큰 것은 추세 변동이 존재한다는 의미이며, 계절주파수의 값이 큰 것은 계절 변동이 존재한다는 뜻이다. 파란색 선은 저주파수는 큰 값이나 계절주파수에서는 높은 값이 아니다. 이는 계절조정계열로 계절 변동이 제거된 자료임을 의미한다.

• 7. 단위근 검정

  계절조정된 제조업생산지수는 ADF 검정 결과의 p-value가 0.3293으로 유의하지 않았다. 귀무가설은 시계열이 단위근을 갖는 것이므로, 검정 결과 귀무가설을 기각하였다. 차분한 계열은 p-value가 0.01로 유의하며, 귀무가설을 기각하였다. 이는 1차 차분한 계열은 단위근이 없음을 의미하며, 1차 차분 계열은 I(1) 적분계열이다.

• 8. 상관분석

  계절조정계열의 상관도표에서 모든 시차에서 선을 초과하였으며, 차분한 계열에서는 1차에서 매우 큰 값을 보인 후 대부분 점선 안의 작은 값을 나타냈다. 이는 해당 시계열이 추세변동이 포함된 불안정시계열이라는 것을 의미한다. 계절조정계열의 부분상관도표에서는 추세변동이 사라져서 대부분 점선 안에 들어왔음을 알 수 있으며, 계절조정 차분계열의 부분상관도표에서도 추세변동이 사라지며, 대부분 점선 안에 들어와 있다. 다만 음수와 양수가 반복되는데, 이는 추세변동이 사라졌으나 계절변동이 남아있다는 것을 의미한다.

Easy AI와 토픽 톺아보기

• 1. 원계열

  원계열은 시계열 분석에서 가장 기본이 되는 데이터로, 시간의 흐름에 따른 변화를 그대로 보여주는 것을 의미합니다. 이 원계열 데이터를 분석하여 시계열의 특성을 파악하고, 예측 모델을 개발하는 것이 중요합니다. 원계열 분석을 통해 데이터의 추세, 계절성, 불규칙성 등을 확인할 수 있으며, 이를 바탕으로 적절한 예측 모델을 선택할 수 있습니다. 또한 원계열 데이터에 대한 이해는 다른 시계열 분석 기법을 적용하는 데에도 필수적입니다.

• 2. 계절조정

  계절조정은 시계열 데이터에서 계절적 요인을 제거하여 장기 추세와 불규칙 요인을 더 잘 파악할 수 있게 하는 기법입니다. 계절조정을 통해 데이터의 본질적인 움직임을 더 잘 이해할 수 있으며, 예측 모델 개발에도 도움이 됩니다. 계절조정 방법에는 X-11, TRAMO-SEATS, ARIMA 모형 등 다양한 방법이 있으며, 데이터의 특성에 따라 적절한 방법을 선택해야 합니다. 계절조정은 시계열 분석에서 매우 중요한 전처리 과정이라고 할 수 있습니다.

• 3. 광공업생산지수

  광공업생산지수는 제조업 부문의 생산 활동을 나타내는 대표적인 지표입니다. 이 지수는 경기 변동을 파악하고 예측하는 데 활용되며, 정부의 경제 정책 수립에도 중요한 역할을 합니다. 광공업생산지수 분석을 통해 제조업 부문의 생산 동향과 추세를 파악할 수 있으며, 이를 바탕으로 향후 경기 전망을 수립할 수 있습니다. 또한 광공업생산지수는 다른 경제 지표와의 관계를 분석하는 데에도 활용될 수 있습니다.

• 4. 계절요인

  계절요인은 시계열 데이터에서 반복적으로 나타나는 계절적 변동 패턴을 의미합니다. 이러한 계절요인은 시계열 분석에서 매우 중요한 역할을 합니다. 계절요인을 파악하고 이를 모형에 반영하면 더 정확한 예측이 가능해집니다. 계절요인 분석을 통해 데이터의 계절성을 이해하고, 이를 바탕으로 적절한 계절조정 방법을 선택할 수 있습니다. 또한 계절요인 분석은 경기 변동 예측, 재고 관리, 마케팅 전략 수립 등 다양한 분야에서 활용될 수 있습니다.

• 5. 시계열 분석

  시계열 분석은 시간의 흐름에 따른 데이터의 변화 패턴을 분석하고 예측하는 기법입니다. 시계열 분석을 통해 데이터의 추세, 계절성, 불규칙성 등을 파악할 수 있으며, 이를 바탕으로 미래 값을 예측할 수 있습니다. 시계열 분석은 경제, 금융, 마케팅, 생산 관리 등 다양한 분야에서 활용되며, 데이터 기반 의사결정에 중요한 역할을 합니다. 시계열 분석 기법에는 ARIMA, 지수평활법, 동적 회귀 모형 등 다양한 방법이 있으며, 데이터의 특성에 따라 적절한 방법을 선택해야 합니다.

• 6. 스펙트럼 분석

  스펙트럼 분석은 시계열 데이터의 주기적 특성을 파악하는 데 사용되는 기법입니다. 이 분석을 통해 데이터에 내재된 주기 성분을 확인할 수 있으며, 이를 바탕으로 데이터의 계절성, 주기성 등을 이해할 수 있습니다. 스펙트럼 분석은 주로 주파수 영역에서 이루어지며, 푸리에 변환 등의 방법을 사용합니다. 스펙트럼 분석은 경제, 금융, 공학 등 다양한 분야에서 활용되며, 시계열 데이터의 특성을 파악하고 예측 모델을 개발하는 데 도움이 됩니다.

• 7. 단위근 검정

  단위근 검정은 시계열 데이터의 정상성을 확인하는 데 사용되는 기법입니다. 정상성은 시계열 분석에서 매우 중요한 개념으로, 데이터의 평균, 분산, 자기상관 등이 시간에 따라 일정하게 유지되는 것을 의미합니다. 단위근 검정을 통해 데이터가 정상 시계열인지 아니면 비정상 시계열인지를 확인할 수 있습니다. 이는 적절한 시계열 모형을 선택하는 데 중요한 정보를 제공합니다. 단위근 검정에는 ADF(Augmented Dickey-Fuller) 검정, PP(Phillips-Perron) 검정 등 다양한 방법이 있습니다.

• 8. 상관분석

  상관분석은 두 변수 간의 선형적 관계 강도를 측정하는 기법입니다. 시계열 분석에서 상관분석은 변수 간의 관련성을 파악하는 데 유용하게 사용됩니다. 예를 들어, 경제 지표 간의 상관관계를 분석하면 변수 간의 인과관계를 추정할 수 있습니다. 또한 상관분석은 예측 모델 개발 시 변수 선택에도 활용됩니다. 상관분석 결과는 변수 간의 관련성 정도를 나타내는 상관계수로 표현되며, 이 값의 크기와 부호에 따라 변수 간의 관계를 해석할 수 있습니다. 상관분석은 시계열 분석에서 매우 중요한 기법 중 하나입니다.