Forecasting: Principles and Practice
서문
1
시작하기
1.1
예측 될 수 있는 것이란?
1.2
예측, 계획 그리고 목표
1.3
어떤 것을 예측할 지 결정하기
1.4
예측 데이터와 기법
1.5
몇 가지 사례 연구
1.6
예측 작업의 기본 단계
1.7
통계적 예측 관점
1.8
연습문제
1.9
더 읽을 거리
2
시계열 시각화
2.1
ts
객체
2.2
시간 그래프
2.3
시계열 패턴
2.4
계절성 그래프
2.5
계절성 부시계열 그래프
2.6
산점도
2.7
시차 그래프
2.8
자기상관
2.9
백색잡음
2.10
연습문제
2.11
더 읽을 거리
3
예측가의 도구 상자
3.1
몇 가지 단순한 예측 기법
3.2
변환과 조정
3.3
잔차 진단
3.4
예측 정확도 평가
3.5
예측 구간
3.6
R의
forecast
패키지
3.7
연습문제
3.8
더 읽을 거리
4
판단 예측
4.1
한계점에 주의하기
4.2
핵심 원리
4.3
델파이 기법
4.4
유사점으로 예측하기
4.5
시나리오 예측
4.6
신제품 예측
4.7
판단 조정
4.8
더 읽을 거리
5
시계열 회귀 모델
5.1
선형 모델
5.2
최소 제곱 추정
5.3
회귀 모델 평가
5.4
몇 가지 유용한 예측변수
5.5
예측변수 선택
5.6
회귀로 예측하기
5.7
행렬 정식화
5.8
비선형 회귀
5.9
상관관계, 인과관계, 그리고 예측
5.10
연습문제
5.11
더 읽을 거리
6
시계열 분해
6.1
시계열 성분
6.2
이동평균
6.3
고전적인 분해법
6.4
X11 분해
6.5
SEATS 분해
6.6
STL 분해
6.7
추세와 계절성의 강도를 측정하기
6.8
분해법으로 예측하기
6.9
연습문제
6.10
더 읽을 거리
7
지수평활
7.1
단순 지수평활
7.2
추세 기법
7.3
홀트-윈터스의 계절성 기법
7.4
지수 평활 기법 분류 체계
7.5
지수 평활에 대한 혁신 상태 공간 모델
7.6
추정과 모델 선택
7.7
ETS 모델로 예측하기
7.8
연습문제
7.9
더 읽을 거리
8
ARIMA 모델
8.1
정상성과 차분
8.2
후방이동 기호
8.3
자기회귀 모델
8.4
이동 평균 모델
8.5
비-계절성 ARIMA 모델
8.6
추정과 차수 선택
8.7
R에서 ARIMA 모델링
8.8
예측하기
8.9
계절성 ARIMA 모델들
8.10
ARIMA vs ETS
8.11
연습문제
8.12
더 읽을 거리
9
동적 회귀 모델
9.1
추정
9.2
R에서 ARIMA 오차를 고려하는 회귀
9.3
예측하기
9.4
확률적 추세와 확정적 추세
9.5
동적 조화 회귀
9.6
시차 예측변수
9.7
연습문제
9.8
더 읽을 거리
10
계층적 시계열 또는 그룹화된 시계열을 예측하기
10.1
계층적 시계열
10.2
그룹화된 시계열
10.3
상향식 접근 방식
10.4
하향식 접근 방식
10.5
중간 접근 방식
10.6
사상 행렬
10.7
최적 조정 접근법
10.8
연습문제
10.9
더 읽을 거리
11
고급 예측 기법
11.1
복잡한 계절성
11.2
벡터 자기회귀
11.3
신경망 모델
11.4
붓스트랩과 배깅
11.5
연습 문제
11.6
더 읽을 거리
12
몇 가지 실제 예측 문제
12.1
주별, 일별, 그리고 일별 이하의 데이터
12.2
개수를 세서 만든 시계열
12.3
예측값이 반드시 범위 안에 있도록 만들기
12.4
예측조합
12.5
합산 값에 대한 예측 구간
12.6
과거 재구성
12.7
아주 긴 시계열과 아주 짧은 시계열
12.8
학습 데이터와 테스트 데이터 예측하기
12.9
결측값과 이상값 다루기
12.10
더 읽을 거리
부록: R 사용하기
부록: 강사를 위한 내용
부록: 리뷰
번역본
저자 소개
책 또는 내려받을 수 있는 버전을 구매하세요
Help
참고 문헌
Published by OTexts™ with bookdown
Forecasting: Principles and Practice
Chapter 11
고급 예측 기법
이 장에서는, 고급 예측 기법 4가지를 간단하게 다룹니다. 이러한 기법은 앞의 장에서 다룬 모델에 기초합니다.