Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir konuşmacının ETS (Exponential Smoothing) üst üste düzleştirme metodunu anlattığı kapsamlı bir eğitim içeriğidir.
- Video, ETS metodunun temel prensiplerini açıklayarak başlıyor, ardından model seçimi ve değerlendirmesi için kullanılan kriterleri (Akaike, Schwartz-Hannan, Queen) detaylandırıyor ve son olarak farklı tahmin yöntemlerini (LLC ve AMSE minimizasyonu) karşılaştırıyor. İçerik, teorik bilgilerin yanı sıra EVS programında ETS yönteminin uygulanması ve birim kök testlerine geçiş bilgisiyle sonlanıyor.
- Videoda ayrıca ETS serisinin üç temel bileşeni olan hata, trend ve mevsimsel bileşenin toplamsal, çarpımsal veya sönümlenmiş olabileceği, mevsimselliğin farklı ifade edilebileceği ve farklı kriterlerle model karşılaştırılması gibi önemli konular ele alınıyor.
- ETS Üst Üste Düzleştirme Metodu
- ETS üst üste düzleştirme metodu, Hind ve diğerleri tarafından 2012 ve 2018 yıllarındaki makalelerinde geliştirilmiş bir düzleştirme tekniğidir.
- Bu metod, Hold-Winters üssel düzleştirme, çarpımsal üssel düzleştirme ve mevsimsel olmayan üssel düzleştirme yöntemlerini geliştirerek farklı bir boyuttan bakmıştır.
- ETS serisinin üç temel bileşeni olan hata, trend ve mevsimsel bileşenin salt toplamsal ya da salt çarpımsal olamayacağını, hem toplamsal hem de çarpımsal olabileceğini öne sürmüştür.
- 02:47ETS Üssel Düzleştirme Metodunun Temel Kavramları
- Bir zaman serisi hem toplamsal hem de çarpımsal bileşenlerden oluşabilir, örneğin trend bileşeni çarpı mevsimsellik artı hata şeklinde ifade edilebilir.
- Hind ve diğerleri, öngörü dönemi uzunsa ve doğrusal olarak ivmelenmesini gerçekçi bulmadıkları için sönümleme parametresi (damping) ekleyerek daha gerçekçi veriler elde etmeye çalışmışlardır.
- ETS üssel düzleştirmede yeni parametreler eklenmiş: doğrusal trend değişkeni (b), öngörü dönemi (h), serinin düzeyi (l) ve sönümleme parametresi (d).
- 06:01Trend Bileşenlerinin Farklı Şekilleri
- Trend bileşeni beş farklı şekilde ifade edilebilir: trend bileşeni yoksa (none), toplam trend varsa (a), sönümlenmiş toplam trend varsa (a ve d), çarpımsal trend varsa (m) ve sönümlenmiş çarpımsal trend varsa (m ve d).
- ETS üssel düzleştirme yönteminde bir zaman serisinde hata bileşeni toplamsal ya da çarpımsal olabilir, mevsimsel bileşeni toplamsal, çarpımsal ya da hiç (non) olabilir.
- Trend bileşeni düzeyde, toplamsal olarak, çarpımsal olarak, sönümleme ve çarpımsal sönümleme olarak gösterilebilir, böylece ETS üssel düzleştirme yönteminde bir zaman serisi 30 farklı model ile tahmin edilebilir.
- 13:01ETS Modelinin Tahmin Edici Yöntemleri
- ETS modeli için iki farklı tahmin edici vardır: normal olabilirlik fonksiyonu (maximum likelihood) ile verilen tahminci ve kareleri ortalamalarının en küçüklemesine dayanan tahminci (average MSE).
- Normal olabilirlik fonksiyonu aslında Gaussian fonksiyon şeklinde de ifade edilebilir.
- Bu tahmin edici yöntemleri detaylı olarak görmek isteyenler Heyman'ın 2008'deki çalışmasına bakabilirler.
- 17:05ETS Üst Üste Düzleştirme Uygulaması
- Örnek olarak 1969-2014 Q1 arasında 181 veriye sahip üç aylık bir ihracat verisi kullanılmıştır.
- Tahmin için 2014'ün bir ayına kadar tahmin etmek istenmiştir.
- ETS üst üste düzleştirme yöntemi, hata, trend ve mevsimselliğin toplamsal veya çarpımsal olabileceğini ve trend bileşeninin de farklı şekillerde ifade edilebileceğini göstermektedir.
- 19:32ETS Model Seçimi ve Parametre Ayarları
- ETS modelinde mevsimsellik, toplamsal ve çarpımsal seçenekler bulunmakta ve otomatik olarak "auto" seçeneği kullanılabilmektedir.
- Toplam hata, sönümlenmiş çarpımsal trend ve mevsimsellik çarpımsal olarak seçildiğinde, tahmin edilecek model AMMD modeli olacaktır.
- Model seçimi için Akai, Schwartz-Hannan kriterleri kullanılabilir ve tahmin dönemi Q1-Q4 olarak belirlenmiştir.
- 22:24Tahminci Yöntemleri ve Çıktı Ayarları
- Options kısmında tahminci yöntemleri olarak likelihood maksimizasyonu (log likelihood) ve AMSE minimizasyonu (average MS) bulunmaktadır.
- Log likelihood seçeneği ile olasılık fonksiyonu maksimizasyonu yoluyla parametreler tahmin edilirken, average MS ile AMSE değerinin minimizasyonu yoluyla parametre tahmini yapılır.
- Çıktı ayarlarında karşılaştırmalı grafikler ve çoklu grafikler seçilebilir.
- 24:20Tahmin Sonuçları ve Model Değerlendirmesi
- Tahmin sonuçlarında log likelihood maksimizasyon yöntemiyle tahmin edilen 30 alternatif model arasından AMMD modeli (toplamsal hata, toplamsal trend ve toplamsal mevsimsellik) seçilmiştir.
- Seçilen modelin parametreleri (alfa, beta ve gama), başlangıç değer tahminleri ve istatistiksel değerleri (lock likelihood, Akai 2, Schwartz-Hannan, Queen, SSR, RMS, AMSE) görüntülenmektedir.
- Tahmin ve orijinal değerlerin grafikleri, mevsimsellik ve trend grafikleri ile öngörü karşılaştırma grafiği sunulmaktadır.
- 28:42Model Karşılaştırma ve Değerlendirme
- Akai 2 kriterine göre en küçük değere sahip model AMMD modeli, en büyük değere sahip model ise MNN modelidir.
- Schwartz-Hannan ve Queen kriterlerine göre de en uygun model AMMD modelidir.
- Kompakt likelihood, light hood ve average MS kriterlerine göre en uygun model farklı olabilir, bu durumda RMS ve SSR değerlerine bakılmalıdır.
- 35:44Sonuç ve Öneriler
- SSR ve RMS istatistiklerine göre en uygun model AMMD modelidir.
- Modern seçim kriterleri olduğu için herhangi bir kritere göre karar verilebilir veya tüm kriterlerin en çoğunun işaret ettiği model seçilebilir.
- 36:25AMSE ile Tahmin Yapma
- Seriyi tahmin etmek için diğer tahmin metodu olan AMSE (Average Mean Squared Error) ile de tahmin etmek gerekiyor.
- AMSE değerlerinin minimizasyonuna dayalı tahmin ile en uygun modele karar vermek gerekiyor.
- Önceki AA modeli artık kullanılmayacak ve dondurulacak.
- 37:36AMSE ile Tahmin İşlemi
- Exponential Smoothing (ETS) metodu kullanılarak AMSE ile tahmin yapılacak.
- Model optimizasyonu için AMSE değerlerinin minimizasyonuna dayalı tahmin yapan AMSE seçeneği kullanılacak.
- Karşılaştırma grafiklerinde AMSE modeliyle tahmin edilen modelin kompakt likelihood değeri, Akaiki, Schwarz, Hannan-Queen, SS, RMS ve AMSE değerleri gösterilecek.
- 39:13Tahmin Sonuçlarının Karşılaştırılması
- AMSE ile tahmin edilen modelin kompakt likelihood değeri -106,2840, Akaiki değeri 235,56,80 olarak hesaplandı.
- Akaiki, Schwarz, Hannan-Queen, SS, RMS ve kompakt likelihood değerlerinde AMSE modeli daha uygun bulunuyor.
- Sadece AMSE değeri daha kötü olduğu için, toplam 7 istatistikten 7'si AMSE modelinin daha uygun olduğunu gösteriyor.
- 43:25Sonuç ve Gelecek Videolar
- Seriyi tahmin ederken AMSE modeli ve kompakt likelihood maksimizasyonu kullanılması gerekiyor.
- Bir sonraki videolarda yapısal kırılmalı birim testleri ve yapısal kırılma olmayan birim kök testleri ele alınacak.