Model Autoregressive Integrated Moving Average (ARIMA) menggunakan data deret waktu dan analisis statistik untuk menafsirkan data dan membuat prediksi masa depan. Model ARIMA bertujuan untuk menjelaskan data dengan menggunakan data time series pada nilai-nilai lampau dan menggunakan regresi linier Regresi Linier Berganda Regresi linier berganda mengacu pada teknik statistik yang digunakan untuk memprediksi hasil suatu variabel terikat berdasarkan nilai variabel bebas untuk membuat prediksi .
Memahami Model ARIMA
Akronim deskriptif berikut menjelaskan arti dari masing-masing komponen kunci model ARIMA:
- " AR " dalam ARIMA adalah singkatan dari autoregression , menunjukkan bahwa model tersebut menggunakan hubungan dependen antara data saat ini dan nilai masa lalunya. Dengan kata lain, ini menunjukkan bahwa data mengalami regresi pada nilai sebelumnya.
- “ I ” adalah singkatan dari integrated , yang berarti datanya tidak bergerak. Data stasioner mengacu pada data deret waktu yang telah dibuat "stasioner" dengan mengurangi pengamatan dari nilai sebelumnya.
- " MA " adalah singkatan dari model rata-rata bergerak, yang menunjukkan bahwa prakiraan atau hasil dari model bergantung secara linier pada nilai-nilai sebelumnya. Juga, itu berarti bahwa kesalahan dalam peramalan adalah fungsi linier dari kesalahan masa lalu. Perhatikan bahwa model rata-rata bergerak berbeda dari rata-rata bergerak statistik.
Masing-masing komponen AR, I, dan MA dimasukkan dalam model sebagai parameter Parameter Parameter adalah komponen yang berguna untuk analisis statistik. Ini mengacu pada karakteristik yang digunakan untuk menentukan populasi tertentu. Itu sudah biasa. Parameter diberi nilai integer spesifik yang menunjukkan jenis model ARIMA. Notasi umum untuk parameter ARIMA ditampilkan dan dijelaskan di bawah ini:
ARIMA ( p, d, q )
- Parameter p adalah jumlah istilah autoregresif atau jumlah "pengamatan lag". Ini juga disebut "urutan lag" dan menentukan hasil model dengan menyediakan poin data yang tertinggal.
- Parameter d dikenal sebagai derajat perbedaan. ini menunjukkan berapa kali indikator tertinggal telah dikurangi untuk membuat data stasioner.
- Parameter q adalah jumlah kesalahan perkiraan dalam model dan juga disebut sebagai ukuran jendela rata-rata bergerak.
Parameter mengambil nilai integer dan harus ditentukan agar model berfungsi. Mereka juga dapat mengambil nilai 0, menyiratkan bahwa mereka tidak akan digunakan dalam model. Sedemikian rupa, model ARIMA dapat diubah menjadi:
- Model ARMA (tidak ada data stasioner, d = 0 )
- Model AR (tidak ada rata-rata bergerak atau data stasioner, hanya autoregresi pada nilai lampau, d = 0, q = 0 )
- Model MA (model rata-rata bergerak tanpa autoregresi atau data stasioner, p = 0, d = 0)
Oleh karena itu, model ARIMA dapat didefinisikan sebagai:
- ARIMA (1, 0, 0) - dikenal sebagai model autoregressive orde pertama
- ARIMA (0, 1, 0) - dikenal sebagai model jalan acak
- ARIMA (1, 1, 0) - dikenal sebagai model autoregressive orde pertama yang dibedakan , dan seterusnya.
Setelah parameter ( p, d, q ) ditentukan, model ARIMA bertujuan untuk mengestimasi koefisien α dan θ , yang merupakan hasil penggunaan titik data sebelumnya untuk nilai prakiraan.
Aplikasi Model ARIMA
Dalam bisnis dan keuangan, model ARIMA dapat digunakan untuk meramalkan kuantitas (atau bahkan harga) masa depan berdasarkan data historis. Oleh karena itu, agar model dapat diandalkan, data harus dapat diandalkan dan harus menunjukkan rentang waktu yang relatif lama selama pengumpulannya. Beberapa aplikasi model ARIMA dalam bisnis adalah sebagai berikut:
- Peramalan jumlah barang yang dibutuhkan untuk periode waktu berikutnya berdasarkan data historis.
- Memperkirakan penjualan dan menafsirkan perubahan musiman dalam penjualan
- Memperkirakan dampak peristiwa pemasaran Model AIDA Model AIDA, yang merupakan singkatan dari model Perhatian, Minat, Keinginan, dan Tindakan, adalah model efek periklanan yang mengidentifikasi tahapan yang dilakukan oleh individu, peluncuran produk baru, dan sebagainya.
Model ARIMA dapat dibuat dalam analitik data dan perangkat lunak ilmu data seperti R dan Python.
Keterbatasan Model ARIMA
Meskipun model ARIMA dapat menjadi sangat akurat dan dapat diandalkan di bawah kondisi dan ketersediaan data yang sesuai, salah satu batasan utama model adalah bahwa parameter ( p, d, q ) perlu didefinisikan secara manual; oleh karena itu, menemukan kecocokan yang paling akurat bisa menjadi proses trial-and-error yang panjang.
Demikian pula, model tersebut sangat bergantung pada keandalan data historis dan perbedaan data. Penting untuk memastikan bahwa data dikumpulkan secara akurat dan dalam jangka waktu yang lama sehingga model tersebut memberikan hasil dan perkiraan yang akurat.
Ringkasan
Model ARIMA menggunakan analisis statistik yang dikombinasikan dengan poin data historis yang dikumpulkan secara akurat untuk memprediksi tren masa depan dan kebutuhan bisnis. Untuk bisnis, ini dapat digunakan untuk memprediksi perubahan musiman dalam penjualan, memperkirakan inventaris yang diperlukan untuk siklus penjualan berikutnya, dan memperkirakan dampak peristiwa dan peluncuran produk baru.
Model ARIMA biasanya dilambangkan dengan parameter ( p, d, q ), yang dapat diberikan nilai yang berbeda untuk memodifikasi model dan menerapkannya dengan cara yang berbeda. Beberapa keterbatasan model adalah ketergantungannya pada pengumpulan data dan proses uji coba manual yang diperlukan untuk menentukan nilai parameter yang paling sesuai.
Sumber Daya Lainnya
Finance menawarkan Sertifikasi Perbankan & Analis Kredit (CBCA) ™ CBCA ™ Akreditasi Perbankan & Analis Kredit Bersertifikat (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas, pemodelan perjanjian, pinjaman pembayaran kembali, dan banyak lagi. program sertifikasi bagi mereka yang ingin meningkatkan karir mereka ke tingkat berikutnya. Untuk terus belajar dan memajukan karier Anda, sumber daya berikut akan membantu:
- Beta Disesuaikan Beta Disesuaikan Beta yang Disesuaikan cenderung memperkirakan beta keamanan di masa depan. Ini adalah beta historis yang disesuaikan untuk mencerminkan kecenderungan beta menjadi mean-reverting - CAPM
- Kesalahan Non-Sampling Kesalahan Non-Sampling Kesalahan non-pengambilan sampel mengacu pada kesalahan yang muncul dari hasil pengumpulan data, yang menyebabkan data berbeda dari nilai sebenarnya. Ini berbeda
- Simple Moving Average (SMA) Simple Moving Average (SMA) Simple Moving Average (SMA) mengacu pada harga penutupan rata-rata saham selama periode tertentu. Alasan rata-rata disebut "bergerak" adalah karena saham
- Analisis Data Deret Waktu Analisis Data Deret Waktu Analisis data deret waktu adalah analisis kumpulan data yang berubah selama periode waktu tertentu. Kumpulan data deret waktu merekam observasi terhadap variabel yang sama pada berbagai titik waktu. Analis keuangan menggunakan data deret waktu seperti pergerakan harga saham, atau penjualan perusahaan dari waktu ke waktu
