Time series analysis in agricultural production

1. 01Fel tudod bontani az idősort trendre, szezonra és maradékra, és értelmezni tudod a maradékot.
2. 02Meg tudod mondani egy agrár idősorról, hogy a szezonja naptári vagy fenológiai.
3. 03Ki tudod választani a horizonthoz illő előrejelzési módszert, és meg tudod indokolni a választást.
4. 04Gördülő eredetű visszatesztelést végzel, és meg tudod mondani, miért nem használható a véletlen keresztvalidáció.
5. 05A modellt a szezonális naiv alapvonalhoz méred, és a hibát ahhoz viszonyítva közlöd.
6. 06Előrejelzési sávot adsz meg, és tudod, miért kell tágulnia a horizonttal.
7. 07Teljesíted a 6. küldetést: Verd meg a naivat.

• Time series analysis in agricultural production

  OutlineVisual novelDeck

1. 06. Idősorelemzés az agrártermelésben

   Trend és szezon szétválasztása, előrejelzési módszerek — és a becsületes értékelés, amely nélkül mindegyik jól hangzik.

• Time seriesIdőrendben rögzített megfigyelések sorozata, ahol a sorrend maga is információ. Ettől nem cserélhető fel két megfigyelés, és ezért nem használható véletlen keresztvalidáció.
• TrendHosszú távú elmozdulás az idősorban. Agrárhozamnál jellemzően fajtanemesítés és technológia, nem időjárás.
• SeasonalityIsmert hosszúságú, visszatérő minta: éves, heti vagy napi. A szezonhosszt ismerni kell; rossz megválasztása a trendbe keni a szezont.
• DecompositionAz idősor szétválasztása trendre, szezonra és maradékra. Additív, ha az összetevők összeadódnak; multiplikatív, ha a szezon amplitúdója a szinttel együtt nő.
• StationarityAz idősor statisztikai tulajdonságai nem változnak az időben. A klasszikus modellek ezt feltételezik, az agrár idősorok ritkán teljesítik.
• DifferencingEgymás utáni értékek különbségének képzése a trend eltávolítására. Szezonális differenciálás ugyanez egy periódusnyi eltolással.
• AutocorrelationAz idősor és önmaga késleltetett változata közötti korreláció. Az ACF-ábra megmutatja, meddig emlékszik a sor önmagára.
• Exponential smoothingA régebbi megfigyelések súlya mértani sorban csökken. Egyetlen paraméter dönti el, mennyire követi a sort és mennyire simít.
• Holt-Winters methodExponenciális simítás szinttel, trenddel és szezonnal. Rövid, szezonális agrársorokon meglepően erős alapvonal.
• ARIMA modelAutoregresszív és mozgóátlag-tagok differenciált soron. A három rend megválasztása az ACF és a PACF olvasásából indul.
• SARIMA modelARIMA szezonális tagokkal. A szezonhossz a modell bemenete, nem a modell tanulja meg.
• Exogenous variableAz idősoron kívüli bemenet, például csapadék vagy halmozott hőösszeg. Előrejelzéshez a jövőbeli értékét is ismerni kell — vagy meg kell becsülni, és ezt kimondani.
• Naive forecastA következő érték legyen az utolsó megfigyelt. Ez a legolcsóbb alapvonal, és meglepően nehéz megverni.
• Seasonal naive forecastA következő érték legyen az egy szezonnal korábbi. Szezonális soron ez az igazi mérce: amelyik modell ezt nem veri meg, nem modell.
• Forecast horizonHány lépésre előre jelzünk. Az egy hétre és a fél évre szóló előrejelzés nem ugyanaz a feladat, és nem is ugyanazzal a modellel készül.
• Prediction intervalA jövőbeli érték valószínű tartománya. A horizonttal együtt tágul; ha nem tágul, a modell alulbecsli a bizonytalanságot.
• Walk-forward validationA modellt egyre több múltbeli adaton tanítjuk, és mindig a soron következő, még nem látott szakaszra jelzünk előre. Idősoron ez az egyetlen becsületes értékelés.
• Forecast errorMAE, RMSE vagy MAPE. A MAPE nulla közeli értékeknél elszáll, az RMSE a nagy hibákat bünteti — a mérce megválasztása döntés, nem formalitás.
• MASEAz előrejelzési hiba a naiv előrejelzés hibájához viszonyítva. Egy alatti érték azt jelenti, hogy a modell keresett valamit; egy fölötti azt, hogy nem.
• Growing degree daysA küszöb feletti napi középhőmérsékletek összege. Jobb előrejelző változó, mint a naptári nap, mert a fejlődés hőmérséklethez kötött.
• PhenologyA növény fejlődési szakaszai. Az idősor szezonalitása fenológiai, nem naptári — ezért nem mindig tizenkét hónapos a periódus.

• Beat the naive forecast

  Kapsz egy hozam- vagy ár-idősort. Készíts előrejelzést a következő szezonra, és vesd össze a szezonális naiv előrejelzéssel, gördülő eredetű visszateszteléssel.

  A beadandó a hibaérték a naivhoz viszonyítva, és a visszatesztelés leírása. Ha nem verted meg a naivat, az is eredmény — de akkor mondd meg, miért nem.

  koncepció

Az előrejelzés akkor ér valamit, ha megveri a szezonális naivat, és ezt gördülő eredetű visszateszteléssel mutattuk ki. A bonyolultabb modell nem magától jobb — és rövid agrársoron gyakran nem is az.