AR(p): базовая модель инерции AR модель объясняет текущее значение рядом его прошлых значений. Как выбирать порядок p 1. PACF подсказывает верхнюю границу значимых лагов. 2. Провер
Преобразования, ARIMA/SARIMA/SARIMAX, ETS и базовая интерпретация.
Ключевые темы: arima, sarima, ets, преобразования.
Авторегрессия (AR) — это базовая модель временных рядов, в которой текущее значение объясняется через собственные предыдущие значения. Идея простая: прошлое ряда несёт информацию о будущем. Чем больше учитываемых прошлых наблюдений (так называемый порядок модели), тем длиннее память. AR применима к стационарным рядам, у которых статистические свойства не меняются во времени, и служит строительным блоком более сложных моделей вроде ARMA и ARIMA.
Где применяется в аналитике: Используется в прогнозировании спроса, выручки, посещаемости и других продуктовых метрик, где значения зависят от недавней истории. Подходит для коротких горизонтов, оценки инерции ряда, выявления зависимости от прошлого и как опорный бенчмарк перед более сложными моделями прогноза.
На собеседовании: Спрашивают, чтобы проверить понимание зависимости наблюдений во времени и условия стационарности. Смотрят, отличаете ли вы AR от скользящего среднего, понимаете ли смысл порядка модели и ограничения подхода.
В Pro-подписке по этому конспекту получите: