# Моделі ARIMA пояснено: практичний посібник із прогнозування > Моделі ARIMA простою мовою: компоненти AR, I, MA, вибір p, d, q, діагностика залишків, прогнозування та бізнес-кейси. Почати прогнозувати Source: https://www.electe.net/uk/post/arima-models-explained Site guide: https://www.electe.net/uk/llms.txt ARIMA — це статистичний метод прогнозування, який поєднує авторегресію, диференціювання та ковзне середнє в єдину модель, що записується як ARIMA(p,d,q). Цей посібник показує, як працює кожен компонент і коли його застосовувати. Можливо, перед вами постало знайоме бізнес-питання: скільки одиниць товару продасться наступного місяця, який запас варто замовити повторно або чи покриють майбутні надходження заплановані витрати? Лінія тренду в електронній таблиці може показати напрямок, але часто не враховує, як сьогоднішній результат залежить від нещодавньої історії, нетипових відхилень і змінних закономірностей. **Моделі ARIMA, пояснені** простою мовою, допоможуть зрозуміти, що відбувається за лаштунками прогнозу. Ви дізнаєтеся, як поєднуються три компоненти, як стаціонарність визначає порядок диференціювання, як графіки ACF і PACF допомагають обрати модель, а також чому перевірка залишків важлива, перш ніж довіряти результату. Ви також побачите, де звичайна ARIMA дає збій — особливо у випадках сезонності, структурних зламів, пропущених спостережень і попиту, зумовленого акціями. Поглиблені математичні знання не потрібні. Мета — практичне розуміння, щоб ви могли визначити, коли ARIMA є корисною базовою моделлю, коли їй потрібне сезонне розширення, а коли для вашого малого чи середнього бізнесу доцільніший більш комплексний підхід до прогнозування. ## Зміст - Чому ARIMA досі важлива для бізнес-прогнозування - - Чому цей підхід залишається практичним - Три складові моделей ARIMA - - Авторегресія відображає інерцію - Інтегрування усуває дрейф - Ковзне середнє навчається на помилках - Приведення даних до стаціонарності за допомогою диференціювання - - Диференціювання простими словами - Як уникнути механічного перетворення - Вибір p, d і q за допомогою ACF, PACF та інформаційних критеріїв - - Як читати два графіки - Використання AIC і BIC для вирішення спірних випадків - Оцінювання моделі та перевірка діагностики залишків - - Практичний діагностичний чекліст - Що змінювати, якщо перевірки не пройдено - Прогнозування на практиці: бізнес-кейси - - Три рішення, що спираються на прогноз - Легка реалізація - Коли ARIMA недостатньо і як ELECTE автоматизує цей процес - - Перевірте готовність даних перед вибором моделі - Ключові висновки ## Чому ARIMA досі важлива для бізнес-прогнозування Керівник запитує прогноз продажів на наступний квартал. Команда відкриває електронну таблицю, продовжує нещодавню тенденцію і отримує число. Це може бути прийнятним, коли попит стабільний, але дані часових рядів часто мають **автокореляцію**, тобто нещодавні спостереження пов'язані з попередніми. Сплеск продажів може вплинути на наступний період, а стійке падіння може тривати навіть тоді, коли пряма лінія тренду свідчить про інше. ARIMA створена саме для такого типу послідовностей. Вона використовує власну історію ряду та минулі помилки прогнозування, щоб змоделювати, як значення змінюються з часом. Це робить її корисною для короткострокових завдань, таких як планування попиту, моніторинг грошових потоків та огляд операційних ризиків, за умови, що базові дані мають відповідну структуру. ### Чому цей підхід залишається практичним ARIMA залишається **одним із двох найпоширеніших підходів до прогнозування часових рядів**, поряд з експоненційним згладжуванням, згідно з довідником з прогнозування [Forecasting: Principles and Practice](https://otexts.com/fpp2/arima.html). Його постійне використання пояснюється корисним балансом: - **Він інтерпретований:** Ви можете пояснити, чи спирається модель на нещодавні значення, диференціювання чи минулі помилки. - **Він враховує часовий порядок:** Модель не розглядає кожне спостереження як ізольований рядок. - **Він підтримує чіткий робочий процес:** Ви досліджуєте ряд, трансформуєте його за потреби, оцінюєте моделі-кандидати та перевіряєте залишки. - **Він працює як базовий рівень:** Ви можете порівнювати складніші методи з прозорою статистичною моделлю. Аналітик роздрібної торгівлі може використовувати ARIMA для оцінки продажів у найближчій перспективі, перш ніж вирішити, чи потребує акція додаткових запасів. Фінансова команда може використовувати її для моніторингу короткої послідовності руху коштів та визначення моменту, коли фактичні результати відхиляються від очікуваної поведінки. Ці прогнози не замінюють комерційне судження. Вони дають цьому судженню структурну відправну точку. > **Практичне правило:** Прогноз є корисним лише тоді, коли його припущення відповідають тому, як поводяться ваші дані. Наприкінці цього посібника ви дізнаєтеся, що означають **AR**, **I** та **MA**, як **p**, **d** та **q** описують модель, як патерни ACF та PACF допомагають у виборі порядку, та як діагностика залишків виявляє оманливу відповідність. Ви також матимете правила прийняття рішень для переходу від звичайної ARIMA до SARIMA або більш складної моделі. ## Три будівельні блоки моделей ARIMA Назва виглядає технічною, але ARIMA стає простішою, коли ви розділяєте її складові. Кожен компонент відповідає на інше питання щодо ряду. ### Авторегресія відображає момент **Авторегресія, або AR,** запитує, чи відображають поточні значення попередні значення. Подумайте про момент руху транспортного засобу. Якщо попит зростав протягом останніх періодів, наступне спостереження може зберегти частину цього напрямку. Модель представляє цю стійкість через лагові значення, де лаг — це попереднє спостереження в послідовності. **p** в ARIMA(p,d,q) — це кількість авторегресійних членів. Вищий p дозволяє моделі враховувати більше минулих значень, але додавання членів автоматично не покращує прогноз. Додаткова історія може додати шум або непотрібну складність. ### Інтеграція усуває дрейф **Інтеграція, або I,** стосується диференціювання. Замість моделювання початкового рівня продажів, ви віднімаєте попереднє значення від поточного, щоб вивчити зміну між періодами. Це схоже на вирівнювання пагорба, щоб можна було досліджувати рельєф без домінування загального нахилу. **d** — це кількість несезонних диференціювань, необхідних для того, щоб зробити ряд стаціонарним. Стаціонарний ряд має статистичну поведінку, яка залишається достатньо стабільною з часом. Якщо початковий ряд дрейфує, диференціювання може полегшити моделювання його патернів. ### Ковзне середнє навчається на помилках **Ковзне середнє, або MA,** використовує попередні помилки прогнозування. Припустимо, прогноз не справджується через раптову зміну попиту. Компонент MA дозволяє наступним прогнозам враховувати ці нещодавні помилки, подібно до того, як термостат коригує показники після перевищення або недосягнення цільової температури. **q** — це кількість лагових помилок прогнозування, включених у рівняння прогнозу. AR розглядає минулі значення. MA розглядає минулі помилки. Разом із диференціюванням вони утворюють модель, здатну відображати стійкість, усунення тренду та короткострокову корекцію. Джордж Бокс і Гвілім Дженкінс популяризували ARIMA у рамках **методології Бокса-Дженкінса в 1970 році**, яка встановила практичний ітеративний робочий процес ідентифікації, оцінювання та перевірки. Тож ARIMA не була представлена як одна ізольована формула. Вона розвинулася як система моделювання для реальних часових рядів, де диференціювання застосовується перед підгонкою авторегресійних членів і членів ковзного середнього, як описано в [огляді ARIMA від IBM](https://www.ibm.com/think/topics/arima-model). > ARIMA(p,d,q) поєднує **минулі значення**, **різниці** та **минулі помилки прогнозування**. Літери вказують на те, що використовує модель, а числа — скільки кожного компонента вона використовує. ## Приведення ваших даних до стаціонарного вигляду за допомогою диференціювання ARIMA очікує, що ряд буде **стаціонарним перед моделюванням**. На практиці це означає, що ряд не повинен постійно змінювати свою базову поведінку через неконтрольований тренд. Його середній рівень і варіативність мають залишатися достатньо стабільними, щоб зв'язки між спостереженнями мали сенс. Почніть із візуального огляду. Стабільно зростаюча лінія продажів, спадний фінансовий баланс або варіативність, що зростає зі збільшенням рівня, можуть свідчити про нестаціонарність. Ви не намагаєтеся довести діагноз лише за графіком. Ви шукаєте докази того, що вихідний масштаб може приховувати короткостроковий патерн, який вам потрібно спрогнозувати. ### Диференціювання простими словами Візьмемо щомісячні продажі, що зростають приблизно на **5% на місяць**. Точний рівень продажів постійно зростає, тому модель може переважно виявляти зростання, а не зв'язки між сусідніми змінами. Перше диференціювання замінює кожен рівень його зміною відносно попереднього місяця. Після усунення тренду отриманий ряд може виглядати більш пласким, а його короткострокові рухи можуть стати легшими для аналізу. Порядок диференціювання **d — це рішення моделювання, а не здогадка**. Бокс і Дженкінс рекомендують диференціювати нестаціонарний ряд один або кілька разів, доки не буде досягнуто стаціонарності — правило, узагальнене в [Довіднику з інженерної статистики NIST](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc445.htm). Корисний робочий процес такий: 1. **Побудуйте графік вихідного ряду:** шукайте тренд, зміну розкиду, пропуски та різкі зсуви рівня. 2. **За потреби застосуйте перше різницювання:** порівняйте кожне спостереження з попереднім. 3. **Перевірте перетворений ряд:** з'ясуйте, чи середня поведінка та варіативність тепер виглядають стабільнішими. 4. **Зупиніться, коли ряд стане достатньо стаціонарним:** подальше різницювання може видалити значущу структуру та ускладнити інтерпретацію. ### Уникнення механічного перетворення Надмірне різницювання може зробити ряд зайве шумним. Воно також може створити штучну залежність між сусідніми змінами, що ускладнює подальший аналіз ACF і PACF. Мета полягає не в тому, щоб виконати якомога більше різницювань. Мета — усунути нестаціонарну поведінку, зберігши при цьому корисний сигнал. Операційні дані часто потребують підготовки перед різницюванням. Пропущені дати, дефіцит запасів, перерваний облік і нерегулярні графіки збору даних можуть спотворити зміну від одного періоду до іншого. Якщо ваш ряд містить пропуски, [перегляньте посібник з відновлення пропущених даних](https://www.electe.net/post/missing-data-imputation), перш ніж розглядати різницювання як основне рішення. ## Вибір p, d і q за допомогою ACF, PACF та інформаційних критеріїв Щойно різницювання дало робочий стаціонарний ряд, вам потрібні кандидатні значення для **p** і **q**. Два графіки допомагають обґрунтувати цей вибір: **функція автокореляції, або ACF**, та **функція часткової автокореляції, або PACF**. ACF вимірює, як ряд співвідноситься зі своїми власними попередніми значеннями на різних лагах. PACF зосереджується на зв'язку на конкретному лагу після врахування коротших лагів. Жоден із графіків не дає гарантованої відповіді, але їхні форми забезпечують корисний перший підхід. ### Читання двох графіків Якщо **PACF обривається після лагу p**, тоді як ACF поступово згасає, це вказує на структуру AR(p). Якщо **ACF обривається після лагу q**, тоді як PACF поступово згасає, це вказує на структуру MA(q). Ці правила працюють як орієнтир після стаціонаризації, а не як заміна валідації. Патерн ACFПатерн PACFПропонована модельПоступово згасаєОбривається після лагу pКандидат ARIMA(p,d,0)Обривається після лагу qПоступово згасаєКандидат ARIMA(0,d,q)Обидва поступово згасаютьОбидва поступово згасаютьРозгляньте змішані кандидати ARIMA(p,d,q)Повторювані піки з відомим цикломСезонна структура в PACFРозгляньте сезонне розширення Графік може підказати кілька правдоподібних конфігурацій. Це нормально. Не варто нескінченно підлаштовувати p і q, доки візуальний патерн не виглядатиме ідеально, адже модель, яка точно відповідає історичним даним, може погано працювати на майбутніх спостереженнях. ### Використання AIC та BIC як критеріїв вибору **AIC та BIC** порівнюють якість підгонки, штрафуючи за зайві параметри. При порівнянні моделей, побудованих на одному й тому ж ряду та оцінених за порівнянних умов, надають перевагу нижчим значенням. BIC зазвичай застосовує сильніший штраф за складність, тому може віддавати перевагу більш компактній специфікації. Розглядайте ці критерії як допоміжні засоби для прийняття рішень, а не як доказ якості прогнозування. Кандидат із нижчим інформаційним критерієм усе одно потребує позавибіркової оцінки та перевірки залишків. Автоматизований пошук порядку також є поширеною практикою, особливо коли потрібно послідовно порівняти кілька правдоподібних комбінацій, а не покладатися виключно на візуальний аналіз графіків. Для практичного вступу до взаємозв'язків між лаговими значеннями [розкрийте приховані закономірності за допомогою ACF PACF](https://www.electe.net/post/autocorrelation-analysis). Важлива звичка — поєднувати візуальні докази, інформаційні критерії, перевірку прогнозів і розуміння бізнесу. ## Оцінювання моделі та перевірка діагностики залишків Оцінювання моделі підганяє параметри ARIMA до вашого історичного ряду. Простими словами, процедура шукає коефіцієнти, які відображають спостережувані взаємозв'язки, водночас зменшуючи похибку прогнозу. Отримані коефіцієнти мають значення, але вони не є остаточним тестом якості. Тест полягає в тому, що залишається після того, як модель виконала свою роботу. Ці залишки називаються **резидуалами** — різницею між спостережуваними та підігнаними значеннями. Хороша модель повинна залишати резидуали, схожі на непояснений випадковий шум, а не на другу закономірність, яку ще належить виявити. ### Практичний діагностичний чек-лист Використовуйте діагностику як контрольний бар'єр якості: - **Білий шум:** Резидуали не повинні демонструвати помітного тренду, циклу чи кластеризації. Повторювана закономірність означає, що модель залишила поза увагою певну структуру. - **Відсутність автокореляції резидуалів:** Резидуали не повинні залишатися пов'язаними між лагами. Перевірка у стилі Льюнга-Бокса допомагає протестувати цю загальну поведінку. - **Середнє, близьке до нуля:** Резидуали повинні балансувати навколо нуля, а не систематично завищувати чи занижувати прогноз. - **Стабільна дисперсія:** Розкид похибок має залишатися відносно стабільним. Розширення розкиду може свідчити про те, що моделі потрібне перетворення або інший підхід. - **Приблизна нормальність:** Приблизно нормальний розподіл резидуалів може підтримувати корисні оцінки інтервалів, хоча ця перевірка менш важлива, ніж незалежність. Найважливіша проблема — це автокореляція резидуалів. Вона означає, що модель усе ще упускає структуру і потребує перегляду, як підкреслено в [уроці Penn State з аналізу часових рядів щодо перевірки моделей](https://online.stat.psu.edu/stat510/Lesson03.html). ### Що змінювати, якщо перевірки не пройдено Не запускайте прогноз у роботу лише тому, що процедура оцінювання досягла збіжності. Якщо автокореляція резидуалів зберігається, поверніться до кандидатських порядків, перегляньте вибір диференціювання та перевірте, чи не спричинена закономірність сезонністю або структурним зламом. Модель вищого порядку не є автоматичним рішенням. Відсутня структура може походити від бізнес-події, яку ARIMA не може відобразити лише через свої минулі значення. > **Контрольний бар'єр якості:** Технічно підігнана модель ARIMA не заслуговує на довіру, доки її резидуали не покажуть, що важлива часозалежна структура була врахована. ## Прогнозування на практиці: бізнес-кейси використання Прогноз стає цінним, коли він впливає на рішення. ARIMA зазвичай формує **точковий прогноз** — центральну оцінку — разом із **інтервалом невизначеності**, що показує ймовірний діапазон навколо неї. Інтервал важливий, оскільки одне-єдине число може створити хибну впевненість, особливо коли горизонт планування розширюється. ### Три рішення, сформовані прогнозом **Роздрібні акції:** Менеджер роздрібної торгівлі переглядає очікуваний рівень продажів на наступний місяць і пов'язаний з ним діапазон невизначеності. Точковий прогноз слугує основою для базового плану акції, а інтервал допомагає менеджеру оцінити, чи потрібен кампанії гнучкий запас або обережний бюджет. **Поповнення запасів:** Планувальник запасів використовує очікуваний попит для перегляду точок повторного замовлення та термінів роботи з постачальниками. Якщо інтервал невизначеності широкий, планувальник може обрати більш обережний підхід до перегляду, замість того щоб сприймати центральну оцінку як гарантовану вимогу. **Моніторинг ризиків:** Команда фінансових послуг може використовувати короткостроковий прогноз для порівняння очікуваних грошових рухів або іншого відстежуваного ряду з фактичними результатами. Суттєве відхилення від прогнозного діапазону може стати приводом для розслідування, але його не слід сприймати як доказ порушення чи повну оцінку ризиків. Довірчі інтервали прогнозу зазвичай розширюються в міру віддалення прогнозу в майбутнє, оскільки кожен наступний крок несе невизначеність попередніх прогнозів. Через це на найближчі прогнози ARIMA легше спиратися в діях, ніж на віддалені проєкції. Для фінансових чи комплаєнс-рішень використовуйте прогнози як аналітичну підтримку, а не як фінансову пораду чи заміну необхідних контролів. ### Легка реалізація Аналітики можуть реалізувати ARIMA у Python за допомогою `statsmodels` або в R за допомогою пакета `forecast`. Команди зазвичай короткі, але інтерпретація вимагає більшої уваги, ніж підбір моделі: 1. Підготуйте впорядкований, повний часовий ряд. 2. Виберіть або знайдіть кандидатні значення p, d і q. 3. Оцініть модель. 4. Перевірте залишки. 5. Сформуйте точковий прогноз та інтервал невизначеності. 6. Порівняйте результат із фактичними майбутніми спостереженнями, коли вони стануть доступні. Код — це найпростіша частина. Рішення про те, чи є дані та припущення моделі достовірними, — це те, де має проявлятися професійне судження. ## Коли ARIMA недостатньо і як ELECTE автоматизує робочий процес ARIMA має чіткі межі. Сильна сезонність часто вимагає **SARIMA**, що записується як **ARIMA(p,d,q)\*(P,D,Q)**. Тут P, D і Q представляють сезонні компоненти авторегресії, диференціювання та ковзного середнього. Проста модель ARIMA може пропустити повторюваний патерн, що з'являється в одній і тій самій точці кожного циклу, тому сезонні члени забезпечують краще узгодження, як пояснено в [посібнику Forecast Pro з прогнозування Бокса-Дженкінса](https://www.forecastpro.com/2020/05/box-jenkins-forecasting/). ARIMA також стає ненадійною, коли бізнес-умови змінюються швидше, ніж це можуть відобразити історичні дані. Структурні зміни, зовнішні шоки, запуски продуктів, дефіцит товару та попит, спричинений акціями, можуть зробити минулі значення та помилки поганими орієнтирами. Модель може пройти технічні перевірки, але при цьому вводити осіб, що приймають рішення, в оману після того, як базовий режим змінився. ### Перевірте готовність даних перед вибором моделі Набори даних МСП додають обмеження, які часто залишаються поза увагою в навчальних матеріалах: - **Важлива повна історія:** ARIMA очікує впорядкований часовий ряд без пропусків. Дослідіть та обробіть відсутні періоди перед підбором моделі. - **Важлива достатня кількість спостережень:** Надійне прогнозування часто вимагає приблизно **50–100 спостережень**, згідно з практичними рекомендаціями посібника Forecast Pro. - **Події потребують контексту:** ARIMA не знає, що акція, дефіцит товару, дії конкурента чи новий продукт спричинили зміну. Включіть відповідні зовнішні фактори або оберіть більш багатий підхід до моделювання. - **Діагностика залишається обов'язковою:** Стійка автокореляція залишків означає, що модель потребує перегляду. Не подавайте прогноз як остаточний. Ці перевірки роблять ARIMA корисною, прозорою базовою моделлю, а не автоматичною відповіддю. Якщо переважає сезонна структура, перевірте SARIMA. Якщо переважають зовнішні фактори або зміни режиму, розгляньте моделі, здатні відображати ці впливи. Платформа може допомогти з підготовкою, порівнянням методів, прогнозуванням та моніторингом аномалій, залишаючи рішення щодо перевірки команді. **ELECTE, платформа аналітики даних для МСП,** може автоматизувати попередню обробку, вибір моделі, прогнозування та моніторинг аномалій за допомогою свого AI-агента. Команди також можуть ознайомитися з [AI-прогнозуванням з Electe](https://www.electe.net/post/predict-analytics-using-electe-predicting-feature) як частиною ширшого робочого процесу. ### Основні висновки 1. **Почніть з готовності даних:** Переконайтеся, що ряд повний, впорядкований і придатний для аналізу. 2. **Зрозумійте p, d та q:** Використовуйте їх для опису авторегресії, диференціювання та минулих помилок прогнозу. 3. **Перевіряйте залишки:** Стійка автокореляція вимагає перегляду моделі. 4. **Розширюйте або змінюйте метод:** Використовуйте SARIMA для сезонної структури та більш багаті моделі, коли важливі зовнішні фактори або зміни режиму. 5. **Пов'язуйте прогнози з рішеннями:** Використовуйте інтервали прогнозування обережно, особливо для віддаленіших періодів у майбутньому. ELECTE допомагає МСП готувати бізнес-дані, порівнювати підходи до прогнозування, генерувати прогнозну аналітику та відстежувати аномалії без необхідності вручну створювати кожен етап моделювання. Відвідайте [ELECTE](https://www.electe.net), щоб ознайомитися з автоматизованим прогнозуванням для даних про продажі, запаси чи ризики.