Zaman Serisi Analizine Giriş

Zaman serisi analizi, zaman içinde toplanan veri noktalarını incelemek ve eğilimleri, mevsimselliği ve örüntüleri belirlemek için kullanılır.

Zaman Serisi Verilerini Yükleme

R'da bir zaman serisi nesnesi oluşturmak için ts() işlevini kullanın.

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

Zaman Serisini Bileşenlerine Ayırma

decompose() işlevi, zaman serisini eğilim, mevsimsel ve rastgele bileşenlere ayırır.

decomposed <- decompose(data)
plot(decomposed)

Eğilimleri Belirleme

Hareketli ortalamalar, uzun vadeli eğilimleri ortaya çıkarmak için dalgalanmaları yumuşatır.

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

Mevsimselliği Belirleme

Mevsimsellik, sabit aralıklarla tekrarlanan örüntüleri ifade eder.

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

Zaman Serisinde Otokorelasyon

acf() işlevi, geçmiş ve güncel değerler arasındaki korelasyonları ölçer.

acf(data, main='Autocorrelation Plot')

ARIMA ile Tahmin

ARIMA (AutoRegressive Integrated Moving Average), yaygın kullanılan bir zaman serisi tahmin modelidir.

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

Tahmin Doğruluğunu Değerlendirme

Tahmin doğruluğunu ölçmek için Ortalama Mutlak Hata (MAE) ve Kök Ortalama Kare Hata (RMSE) kullanın.

accuracy(forecasted)

Özet

Bu derste şunları öğrendiniz:

• Zaman serisi verilerinin nasıl oluşturulacağını ve analiz edileceğini.
• Eğilimlerin, mevsimselliğin ve otokorelasyonun nasıl tespit edileceğini.
• ARIMA kullanarak nasıl tahmin yapılacağını ve tahminlerin nasıl değerlendirileceğini.