บทนำสู่การวิเคราะห์อนุกรมเวลา

การวิเคราะห์อนุกรมเวลาใช้ศึกษาจุดข้อมูลที่เก็บรวบรวมตามเวลา เพื่อระบุแนวโน้ม ฤดูกาล และรูปแบบ

การโหลดข้อมูลอนุกรมเวลา

ใช้ฟังก์ชัน ts() เพื่อสร้างออบเจ็กต์อนุกรมเวลาใน R

data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')

การแยกองค์ประกอบของอนุกรมเวลา

ฟังก์ชัน decompose() แบ่งอนุกรมเวลาออกเป็นองค์ประกอบแนวโน้ม ฤดูกาล และสุ่ม

decomposed <- decompose(data)
plot(decomposed)

การระบุแนวโน้ม

ค่าเฉลี่ยเคลื่อนที่ช่วยปรับความผันผวนให้ราบรื่น เพื่อให้เห็นแนวโน้มระยะยาว

library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)

การตรวจจับฤดูกาล

ฤดูกาลหมายถึงรูปแบบที่เกิดซ้ำในช่วงเวลาคงที่

plot(decomposed$seasonal, main='Seasonal Component')

สหสัมพันธ์ในตัวเองในอนุกรมเวลา

ฟังก์ชัน acf() ใช้วัดสหสัมพันธ์ระหว่างค่าในอดีตกับค่าปัจจุบัน

acf(data, main='Autocorrelation Plot')

การพยากรณ์ด้วย ARIMA

ARIMA (ค่าเฉลี่ยเคลื่อนที่แบบบูรณาการเชิงอัตถดถอย หรือ AutoRegressive Integrated Moving Average) เป็นแบบจำลองยอดนิยมสำหรับการพยากรณ์อนุกรมเวลา

library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)

การประเมินความแม่นยำของการพยากรณ์

ใช้ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) และค่ารากที่สองของความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) เพื่อวัดความแม่นยำของการพยากรณ์

accuracy(forecasted)

สรุป

ในบทเรียนนี้ คุณได้เรียนรู้:

• วิธีสร้างและวิเคราะห์ข้อมูลอนุกรมเวลา
• วิธีตรวจหาแนวโน้ม ฤดูกาล และสหสัมพันธ์ในตัวเอง
• วิธีพยากรณ์โดยใช้ ARIMA และประเมินผลการทำนาย