Переход к модели ARIMA
При работе с временными рядами в SPSS Modeler, после построения модели экспоненциального сглаживания, доступен альтернативный алгоритм —
модель ARIMA (Autoregressive Integrated Moving Average), или модель авторегрессии и скользящего среднего. Чтобы применить её, в узле
Time Series в разделе
Build Options (параметры построения) отключают автоматический выбор и явно указывают тип модели — ARIMA.
Модель ARIMA описывает временной ряд через три основных параметра, которые подбираются для наилучшего соответствия фактическим данным.
Параметры p, d, q
•
p — порядок
авторегрессии (AutoRegressive). Показывает, сколько предыдущих значений ряда используется для прогноза.
•
d — порядок
интегрирования (Integrated), или разности. Определяет, сколько раз нужно продифференцировать ряд для приведения к стационарному виду.
•
q — порядок
скользящего среднего (Moving Average). Указывает, сколько предыдущих ошибок прогноза включено в модель.
В рассматриваемом примере модель строится с
p = 0,
d = 0,
q = 2. Это означает, что авторегрессионная часть отсутствует, преобразование разности не требуется, а прогноз опирается на две последние ошибки.
Сезонная составляющая
Для учёта повторяющихся циклов используются сезонные параметры. В настройках модели задана
сезонная разность первого порядка (D = 1). Также выявлен значимый коэффициент при сезонном лаге 1, равный
–0,301. Он показывает, что значение ряда в момент t связано со значением в момент t–1 отрицательной зависимостью.
Сравнение с экспоненциальным сглаживанием
После построения модели узел выдаёт график сравнения фактических и прогнозных значений, а также численные метрики точности. Ключевой показатель —
абсолютное отклонение (Absolute Error). Для ARIMA оно составило 7634, тогда как ранее для экспоненциального сглаживания — 7303. Разница около 0,3% свидетельствует о том, что обе модели практически равноценны по точности и могут применяться для прогнозирования.
Настройка прогноза и обработка пропусков
В параметрах узла Time Series дополнительно задаются:
•
период прогноза (например, 7 дней);
•
способ интерпретации временного ряда (по дням, месяцам и т.д.);
•
метод обработки пропущенных значений (Missing Value Handling).
По умолчанию используется
линейная интерполяция: пропущенное значение вычисляется на основе прямой, соединяющей два соседних известных наблюдения. Это позволяет сохранить непрерывность ряда без внесения резких искажений.
Таким образом, инструмент Time Series в SPSS Modeler даёт возможность гибко выбирать тип модели, её параметры и способы предобработки данных, что делает прогнозирование управляемым и прозрачным.
Краткие итоги
Сравнение двух подходов к моделированию временных рядов — экспоненциального сглаживания и ARIMA — раскрывает важный принцип: автоматический выбор не всегда является единственно верным решением. Явное переключение на ARIMA через Build Options переводит аналитика из режима «чёрного ящика» в активное управление структурой модели. Это особенно ценно, когда необходимо не просто получить прогноз, но и понять природу данных, выделить авторегрессионные связи, эффект скользящего среднего и сезонные закономерности.
Параметры p, d и q формируют базовый каркас несезонной части. Значения p=0, d=0, q=2 демонстрируют, что модель может быть сведена к чистому скользящему среднему второго порядка, если автокорреляция и нестационарность отсутствуют. Добавление сезонной разности первого порядка и лагового коэффициента –0,301 показывает, как улавливается периодическая структура. Отрицательный коэффициент указывает на колебательный характер: рост в одном периоде сопровождается снижением в следующем.
Сравнение точности по абсолютному отклонению — 7634 против 7303 — даёт разницу всего в 0,3%. Это наглядно подтверждает, что выбор между конкурирующими моделями не всегда диктуется подавляющим превосходством одной из них. В практической работе такая близость метрик позволяет руководствоваться не только цифрами, но и содержательными соображениями: интерпретируемостью, устойчивостью, простотой внедрения.
Отдельного внимания заслуживает обработка пропусков. Линейная интерполяция, применяемая по умолчанию, решает типичную проблему неполных данных, соединяя известные точки прямой и восстанавливая пропуски без сложных вычислений. В сочетании с возможностью задавать горизонт прогноза и интерпретацию временной шкалы это формирует законченный рабочий процесс: от предобработки ряда до получения численно обоснованного прогноза с контролируемыми параметрами.
Таким образом, освоение ручного конфигурирования ARIMA в SPSS Modeler превращает прогнозирование из механической процедуры в осмысленный анализ, где каждый параметр обоснован, а выбор модели подтверждён количественным сравнением.
При работе в SPSS Modeler можно заменить экспоненциальное сглаживание на модель ARIMA (Autoregressive Integrated Moving Average) — авторегрессию и скользящее среднее. Для этого в узле Time Series в Build Options отключают автоматический выбор и указывают ARIMA.
Модель описывается тремя несезонными параметрами:
• p — порядок авторегрессии (сколько прошлых значений ряда учитывается),
• d — порядок разности (сколько раз дифференцируется ряд для стационарности),
• q — порядок скользящего среднего (сколько предыдущих ошибок прогноза включается).
В примере построена модель с p=0, d=0, q=2, то есть без авторегрессии и разности, только скользящее среднее второго порядка. Для учёта сезонности задана сезонная разность первого порядка (D=1). Коэффициент при сезонном лаге 1 равен –0,301 и означает отрицательную связь между соседними периодами.
Сравнение точности с экспоненциальным сглаживанием проводится по абсолютному отклонению: ARIMA дала 7634, экспоненциальное сглаживание — 7303, разница около 0,3%. Такая близость значений говорит о практической равноценности моделей.
В узле Time Series также настраиваются период прогноза (например, 7 дней) и интерпретация временной шкалы (по дням). Пропущенные значения обрабатываются линейной интерполяцией — пропуск заполняется точкой на прямой, соединяющей два соседних известных наблюдения. Это сохраняет непрерывность ряда и не требует сложных вычислений.
Таким образом, аналитик может осознанно выбирать тип модели, контролировать её параметры и предобработку данных, добиваясь прогнозов с понятной структурой и подтверждённой точностью.
1. ARIMA-модель является прямой альтернативой экспоненциальному сглаживанию и выбирается вручную в разделе Build Options.
2. Параметр p задаёт порядок авторегрессии, d — порядок разности, q — порядок скользящего среднего.
3. Комбинация p=0, d=0, q=2 означает модель скользящего среднего второго порядка без авторегрессии и разности.
4. Нулевое значение d говорит об отсутствии необходимости приводить ряд к стационарному виду через дифференцирование.
5. Сезонная разность первого порядка (D=1) устраняет сезонные тренды в данных.
6. Коэффициент –0,301 при сезонном лаге 1 указывает на отрицательную корреляцию между соседними периодами.
7. Абсолютное отклонение служит метрикой точности модели и позволяет количественно сравнивать алгоритмы.
8. Разница в ошибке около 0,3% между ARIMA и экспоненциальным сглаживанием демонстрирует их сопоставимую точность.
9. Период прогноза (например, 7 дней) задаётся в настройках узла Time Series.
10. Способ интерпретации ряда (по дням, месяцам) определяет учёт календарной структуры данных.
11. Обработка пропусков по умолчанию выполняется линейной интерполяцией, соединяющей соседние известные точки.
12. Линейная интерполяция сохраняет непрерывность ряда без сложных вычислительных процедур.
1. Какие три несезонных параметра определяют модель ARIMA и что означает каждый из них?
2. Каким образом в SPSS Modeler можно явно задать построение ARIMA-модели вместо автоматического выбора?
3. Почему при p=0, d=0, q=2 модель фактически является моделью скользящего среднего второго порядка?
4. Для чего служит параметр d и как интерпретируется его нулевое значение?
5. Какую роль в учёте сезонности играет разность первого порядка (D=1)?
6. О чём говорит отрицательный коэффициент при сезонном лаге 1, равный –0,301?
7. По какому показателю в узле Time Series сравнивается точность ARIMA и экспоненциального сглаживания?
8. Что означает разница в абсолютном отклонении между двумя моделями менее 1%?
9. Какие настройки узла Time Series позволяют задать продолжительность прогноза и единицу измерения времени?
10. В чём заключается метод линейной интерполяции, применяемый для заполнения пропусков?
11. Какой параметр ARIMA показывает количество предыдущих ошибок, используемых в прогнозе?
12. Можно ли при работе с ARIMA одновременно контролировать как несезонные, так и сезонные параметры? Ответ обоснуйте материалом.
