แบบจำลองการถดถอยอัตโนมัติ: คุณลักษณะ กระบวนการ และการนำกลับบ้าน

การทำนายอนาคตมักต้องการพื้นฐานทางเทคนิค ในทางปฏิบัติ นักวิเคราะห์คาดการณ์มูลค่าในอนาคตโดยพิจารณาจากมูลค่าในอดีตของสินค้าโภคภัณฑ์หรือแนวโน้มในตลาด ในแบบจำลองทางสถิติ จะเรียกว่าการถดถอยอัตโนมัติหากมีความสามารถในการทำนายค่าในอนาคตโดยให้ชุดข้อมูลข้อเท็จจริงของค่าในอดีต

ตัวอย่างเช่น แบบจำลองการถดถอยอัตโนมัติอาจมีส่วนร่วมเพื่อให้ได้ราคาหุ้นในอนาคต โดยพิจารณาจากประสิทธิภาพในอดีต นักวิเคราะห์ใช้เฉพาะข้อมูลในอดีตเป็นอินพุตเพื่อสร้างแบบจำลองพฤติกรรม

ดังนั้นคำนำหน้า "auto" (ความหมายภาษากรีก "self") จึงถูกใช้ในชื่อ autoregressive โมเดล AR ยังได้รับการตั้งชื่อว่าโมเดลตามเงื่อนไข โมเดลการเปลี่ยนผ่าน หรือโมเดล Markov

เกี่ยวกับแบบจำลองการถดถอยอัตโนมัติ (AR)

ในสถิติ เศรษฐมิติ หรือแม้แต่การประมวลผลภาพ แบบจำลองการถดถอยอัตโนมัติ (AR) ถือเป็นกระบวนการสุ่มประเภทหนึ่ง ความหมาย ใช้เพื่อแสดงสถิติของชุดของเหตุการณ์ที่แตกต่างกันตามเวลาแน่นอนในธรรมชาติ เศรษฐศาสตร์ ฯลฯ

ในทางปฏิบัติ ในอนุกรมเวลา จะสังเกตเห็นความคล้ายคลึงกันระหว่างค่าในอดีตและปัจจุบัน นี่แสดงถึงขอบเขตของความสัมพันธ์อัตโนมัติภายในข้อมูลดังกล่าว ตัวอย่างเช่น เมื่อทราบราคาหุ้นวันนี้ เรามักจะสามารถคาดการณ์คร่าวๆ เกี่ยวกับการประเมินมูลค่าหุ้นในวันพรุ่งนี้ได้ สิ่งนี้บ่งชี้ถึงความสัมพันธ์ มุมมองที่แบบจำลองการถดถอยอัตโนมัติยึดตาม

แบบจำลอง Autoregressive (AR) เป็นหนึ่งในแบบจำลองการคาดการณ์ที่สร้างขึ้นจากวิธีการถดถอย ตัวแบบการถดถอยพหุคูณจะคาดการณ์ตัวแปรโดยใช้ตัวทำนายแบบผสมเชิงเส้น ในขณะที่รูปแบบการถดถอยอัตโนมัติใช้การรวมกันของค่าในอดีตที่ตัวแปรมีอยู่ ไม่เหมือนกับโมเดล Autoregressive Distributed Lag (ADL) โมเดล AR จะขึ้นอยู่กับความสัมพันธ์แบบอนุกรมระหว่างเอนทิตีในอนุกรมเวลา

ดังนั้น การถดถอยอัตโนมัติ (AR) จึงเป็นแบบจำลองอนุกรมเวลา แบบจำลองการถดถอยอัตโนมัติมีไว้เพื่อทำนายค่าในอนาคตโดยพิจารณาจากค่าในเหตุการณ์ที่ผ่านมา มันใช้ข้อมูลที่ป้อนจากการสังเกตของขั้นตอนก่อนหน้า และใช้สมการถดถอยทำนายค่าในขั้นตอนต่อไป โมเดลนี้สามารถส่งผลให้เกิดการคาดการณ์ที่แม่นยำเกี่ยวกับปัญหาอนุกรมเวลาต่างๆ

โดยทั่วไปจะใช้อัลกอริทึมตามความสัมพันธ์ (ความสัมพันธ์แบบอนุกรม) ที่ได้รับภายในค่าในอนุกรมเวลาที่กำหนดและค่าที่นำไปสู่และประสบความสำเร็จ สมมติฐานที่ว่าค่าในอดีตส่งผลต่อค่าปัจจุบัน ทำให้เทคนิคทางสถิติมีประโยชน์ในการวิเคราะห์ธรรมชาติ เช่น สภาพอากาศ การเงิน เช่น เศรษฐศาสตร์ และกระบวนการอื่นๆ ที่เปลี่ยนแปลงไปตามกาลเวลา

อ่าน: แบบจำลองการถดถอยเชิงเส้น

คุณสมบัติเด่น

• ตัวแบบการถดถอยอัตโนมัติช่วยทำนายค่าในอนาคตโดยอิงจากค่าในอดีต
• แบบจำลองการถดถอยอัตโนมัติใช้ในการวิเคราะห์ทางเทคนิคเพื่อคาดการณ์แนวโน้มในอนาคต
• แบบจำลองการถดถอยอัตโนมัติขึ้นอยู่กับทฤษฎีที่ว่าอนาคตจะคล้ายกับอดีต
• ข้อมูลอนุกรมเวลาเป็นข้อมูลที่รวบรวมในหน่วยสังเกตการณ์เดียวกันในหลายช่วงเวลา

การคาดคะเนขึ้นอยู่กับสภาวะที่ผันผวน เช่น เทคโนโลยีที่เพิ่มขึ้นอย่างรวดเร็ว หรือในกรณีของขอบเขตทางการเงิน สภาวะตลาดที่ได้รับอิทธิพลจากวิกฤตการณ์ทางการเงิน เป็นต้น

กระบวนการ AR

กระบวนการนี้เป็นการถดถอยเชิงเส้น เป็นการถดถอยของข้อมูลภายในชุดไทม์ไลน์ปัจจุบันเทียบกับค่าที่ผ่านมาหนึ่งรายการหรือหลายรายการในชุดเดียวกัน

ในการวิเคราะห์การถดถอย โดยปกติในการถดถอยเชิงเส้น "ปกติ" ค่าตัวแปรผลลัพธ์ (Y) ในบางจุด "t" ในเวลา ยังคงเกี่ยวข้องโดยตรงกับตัวแปรทำนาย (X)

ที่นี่ การถดถอยเชิงเส้นอย่างง่ายและแบบจำลอง AR แตกต่างกันในลักษณะของ Y ที่ยังคงขึ้นอยู่กับ X และค่าก่อนหน้าสำหรับ Y การวิเคราะห์สหสัมพันธ์เป็นเทคนิคที่ใช้ในการหาปริมาณความสัมพันธ์ระหว่างตัวแปรต่อเนื่องสองตัว

กระบวนการ AR เป็นหนึ่งในกระบวนการสุ่ม ตามทฤษฎีความน่าจะเป็น มันมีระดับของความไม่แน่นอนหรือระดับหนึ่ง เป็นการชักนำให้เกิดการสุ่ม การสุ่มบอกเป็นนัยว่าคุณอาจคาดการณ์แนวโน้มในอนาคตได้อย่างง่ายดาย รวมไปถึงภายในชุดข้อมูลในอดีต แต่คุณไม่เคยถูกต้องร้อยเปอร์เซ็นต์

กระบวนการนี้มักใช้การประมาณและ "ใกล้เพียงพอ" ที่จะนำไปใช้ในเหตุการณ์ส่วนใหญ่

AR Takeaway

นักวิเคราะห์ในอุตสาหกรรมมักจะตั้งตารอเทคนิคทางสถิติในการพยากรณ์และการทำนาย การเรียนรู้ที่เกี่ยวข้องกับโมเดล Autoregressive (AR) ช่วยให้นักวิเคราะห์มืออาชีพดำเนินโครงการ Data Science และ Data Analysis ได้อย่างมั่นใจ หลักสูตรการฝึกอบรมในเรื่องโดยผู้ให้บริการเช่น upGrad ช่วยให้การเดินทางไปข้างหน้า แบรนด์ upGrad เป็นแพลตฟอร์มการศึกษาระดับอุดมศึกษาออนไลน์ที่มีโปรแกรมที่เกี่ยวข้องกับอุตสาหกรรมมากมาย พร้อมที่จะนำไปสู่ความสำเร็จในอาชีพการงานของคุณ

อะไรต่อไป?

หากคุณอยากเรียนรู้เกี่ยวกับวิทยาศาสตร์ข้อมูล ให้ลองดูประกาศนียบัตร PG ด้านวิทยาศาสตร์ข้อมูลของ IIIT-B และ upGrad ซึ่งสร้างขึ้นสำหรับมืออาชีพด้านการทำงานและเสนอกรณีศึกษาและโครงการมากกว่า 10 รายการ เวิร์กช็อปภาคปฏิบัติจริง การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม 1- on-1 กับที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ

เรียนรู้ หลักสูตรวิทยาศาสตร์ข้อมูล ออนไลน์จากมหาวิทยาลัยชั้นนำของโลก รับโปรแกรม PG สำหรับผู้บริหาร โปรแกรมประกาศนียบัตรขั้นสูง หรือโปรแกรมปริญญาโท เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว