Mikä on Autoregressive?

”Autoregressiivinen” on tilastollinen termi, jota käytetään työskenneltäessä aikasarjatietojen kanssa, jotka viittaavat muuttuvaan määrään tai kiinnostavaan arvoon, joka korreloi saman muuttujan aiempiin arvoihin tai riippuu niistä. Aiheeseen liittyvä termi “autoregressio” on regressioanalyysin muoto, joka käyttää aikasarjatietoja syötteenä selvittääkseen, onko kiinnostava muuttuja todella autoregressiivinen eli riippuvainen itsensä aiemmista arvoista. Kiinnostava muuttuja, joka osoittautuu autoregressiiviseksi, ehdottaa, mutta ei itsessään todista, että nykyisten ja menneiden arvojen välillä on syy-seuraussuhde. Näin ollen tunnettujen tai epäiltyjen autoregressiivisten suureiden tai arvojen aikasarjoja analysoidaan usein käyttämällä ennustavia analyyttisiä menetelmiä tällaisten muuttujien tulevien arvojen ennustamiseksi.

Mielenkiintoisia muuttujia, joilla on jonkin verran autoregressiota, ilmaantuu monissa paikoissa ihmisen ja luonnon prosessien seurauksena. Esimerkiksi osakemarkkinahintoja, valuuttakursseja, digitaalisia signaaleja ja yksilöiden määrää väestössä pidetään kaikki ainakin jossain määrin autoregressiivisinä. Lisäksi on olemassa erilaisia ​​autoregressioanalyysin muotoja, joista jokaisen katsotaan sopivan paremmin tai huonommin ja siten sovellettu tietyntyyppisiin autoregressiivisiin tietojoukkoihin. Tällaisista sovelluksista autoregressiota käytetään terveydenhuollossa parantamaan ultraäänidiagnostisten testien resoluutiota ja tulkintaa; televiestinnässä digitaalisten signaalien lähetyksen, vastaanoton ja käsittelyn parantamiseksi; taloustieteessä makrotalouden ja liiketoiminnan suorituskyvyn ennustamiseen; ja rahoituspalveluissa henkilökohtaisten luottotietojen laskemiseen, petosten havaitsemiseen ja vakuutusriskiprofiilien ja -maksujen laskemiseen.

Autoregressiivisen liukuvan keskiarvon (ARMA) mallit yhdistävät autoregression ja liukuvan keskiarvon mallit – keskiarvot, joiden osatekijät muuttuvat ajan edetessä. Tunnetaan myös nimellä Box-Jenkins -mallit-jotka on nimetty George Boxin ja Gwilym Jenkinsin mukaan, tilastotieteilijät, jotka paransivat alkuperäisiä koostumuksiaan ja suosivat niiden käyttöä-niitä käytetään tyypillisesti mallintamaan ja testaamaan aikasarjoja, jotka ovat ulkoisten tai ulkoisten iskujen funktio ja omaa menneisyyttään. ARMA -mallit ovat “sopivia” joidenkin tunnettujen tai epäiltyjen autoregressiivisten muuttujien tai kiinnostuksen kohteena olevien muuttujien todellisiin havaintoihin ajan myötä ymmärtääkseen paremmin niitä tuottavat prosessit. Toisin kuin ehdottomasti autoregressiiviset mallit, niitä pidetään keinona syy -seuraussuhteen vahvistamiseksi – syy -seuraussuhteen olemassaolo riippumattoman ja riippuvan muuttujan tai muuttujien välillä. Siksi niitä käytetään yleisesti aikasarjojen ennustamisessa ja muissa ennustavan analytiikan muodoissa.