시계열 데이터 모델의 자기상관성과 그레인저 인과관계(Granger Casuality)

시계열 데이터 모델의 유효성을 판단하는 방식에는 무엇이있는가? 이번에는 자기상관성과 그레인저 인과관계를 통해 모델 유효성을 알아보자.

자기상관성 먼저 자기상관성에 대해 알아보자. 두 변수의 공분산을 r로, 상관계수를 p로 하고 lag term은 h이다.

이를 통해 자기상관성의 정도를 파악할 수 있다. 또한, t와 t+h사이의 모든 변수를 제거한 다음에 부분 자기상관 검정을 할 수도 있다.

그 결과 나오는 것이 ACF와 PACF이다. 이 값은 클수록 좋다.

위에 보이는 두 그래프에서 파란 band 밖으로 나가는 lag의 수준을 적용할 수 있다. 실제로는 ARIMA모델에서 이를 자동으로 계산해주기에 사용되지는 않지만, 선행연구 느낌으로 받아들이면 된다.

Granger casuality 상관관계는 인과관계와 다르다. 교육비를 늘린다고 범죄자가 늘어나는 것도 아니고, 아이스크림을 먹으면 상어에 물리는 것도 아니다.

시계열 분석에서도 이에 따라서 인과관계를 말하기 위해서는 그레인저 인과관계를...

요청 처리 중입니다...

시계열 데이터 모델의 자기상관성과 그레인저 인과관계(Granger Casuality)

등록된 다른 글