
전통적 시계열 분해법 이전 시계열 분해 소개 글에서도 언급했던 전통적 시계열 분해, Seasonal Decomposition은 단순히 계절 성분, 추세-주기 성분, 나머지 성분으로 성분을 나누며, 덧셈, 곱셈 분해 두 가지의 분해법으로 나눌 수 있었다. 전통적 시계열 분해법에서는 계절 성분이 계절 주기마다 항상 일정하다고 가정하고 진행한다. 전통적 시계열 분해법의 문제점 Seasonal Decomposition이기 때문에 초기와 마지막 일부 데이터에 대해서 추세 추정값을 알 수 없다. 실제 Statsmodels 라이브러리에서 seasonal_decompose라는 함수를 사용할 때 계산에만 사용되는 앞과 뒤 일부 데이터에 대해서는 추세 추정값을 얻을 수 없다. (다만, 옵션에 two-sided로 설정 가능..

시계열 분해 시계열 데이터는 여러가지 성분으로 나눠서 생각해볼 수 있다. 대표적으로 시계열 데이터에는 계절성분 S, 추세-주기 성분 T, 그 외의 나머지 성분 R이 있다. 그러므로 시계열 데이터를 분해한다면 S, T, R의 조합으로 분해할 수 있게 된다. 분해 방법 시계열 데이터는 S, T, R로 분해될 때 두 가지 방법으로 분해될 수 있다. 바로 덧셈 분해(Additive Decomposition)과 곱셈 분해(Multiplicative Decomposition)이다. 덧셈 분해(Additive Decomposition) 덧셈 분해는 위 수식과 같이 덧셈으로 시계열 데이터를 설명한 것이다. 덧셈 분해는 계절성 요동의 크기(S의 요동)나 추세-주기 주위의 변동(T의 변동)이 시계열 수준에서 변하지 않을 ..