01Overall Concept
ไอเดียหลัก — Moving Average Model หรือ MA(q) ใช้ shock หรือ residual ย้อนหลัง q ช่วงเป็นส่วนประกอบของค่าปัจจุบัน จึงต่างจากค่าเฉลี่ยเลื่อนหน้าต่างที่ใช้ปรับเส้นให้เรียบ
ลองนึกภาพว่า — เหมือนยอดขายวันนี้ยังได้รับแรงสะเทือนจากข่าวที่ทำให้การคาดการณ์เมื่อวานและวันก่อนพลาด
ตัวอย่างการนำไปใช้ — จำลอง shock ระยะสั้น ลด autocorrelation ที่เหลือ และเป็นส่วนประกอบของ ARMA หรือ ARIMA
02อธิบายภาษาคนเข้าใจง่ายๆ
Moving Average Model เริ่มจากคำถามง่าย ๆ ว่า อธิบายค่าปัจจุบันด้วยความผิดพลาดที่เกิดขึ้นในช่วงก่อนหน้า วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนยอดขายวันนี้ยังได้รับแรงสะเทือนจากข่าวที่ทำให้การคาดการณ์เมื่อวานและวันก่อนพลาด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
Moving Average Model หรือ MA(q) ใช้ shock หรือ residual ย้อนหลัง q ช่วงเป็นส่วนประกอบของค่าปัจจุบัน จึงต่างจากค่าเฉลี่ยเลื่อนหน้าต่างที่ใช้ปรับเส้นให้เรียบ พารามิเตอร์หลักใน Playground คือ อันดับ MA q เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ช่วงเวลา · ทดลอง MA(1) ถึง MA(8) เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น จำลอง shock ระยะสั้น ลด autocorrelation ที่เหลือ และเป็นส่วนประกอบของ ARMA หรือ ARIMA ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: MA(2): y(t)=μ+ε(t)+θ₁ε(t-1)+θ₂ε(t-2) พร้อมจำข้อจำกัดสำคัญว่า residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
y เป็นอนุกรม stationary และ residual เป็นนวัตกรรมที่โมเดลยังอธิบายไม่ได้ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ q เพื่อกำหนดจำนวน residual lag และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
กำหนด residual เป็นส่วนต่างจากค่าคาด จากนั้น ประมาณน้ำหนัก θ ของ residual ย้อนหลัง Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
รวมค่าเฉลี่ยกับ shock ที่ถ่วงน้ำหนักเพื่อ forecast ผลที่ได้คือ ค่า θ residual fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ q ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
qtrendenforce_invertibilityข้อมูลที่รับเข้ามา
y เป็นอนุกรม stationary และ residual เป็นนวัตกรรมที่โมเดลยังอธิบายไม่ได้
60 ช่วงเวลา · ทดลอง MA(1) ถึง MA(8)พารามิเตอร์ที่ใช้
- q
- กำหนดจำนวน residual lag
- trend
- กำหนดค่าคงที่หรือแนวโน้ม
- enforce_invertibility
- บังคับเงื่อนไขที่ทำให้แทนโมเดลได้เสถียร
ผลลัพธ์ที่ได้
ค่า θ residual fitted values และ forecast
MA(2): y(t)=μ+ε(t)+θ₁ε(t-1)+θ₂ε(t-2)คำนวณทีละขั้น
- 01
กำหนด residual เป็นส่วนต่างจากค่าคาด
- 02
ประมาณน้ำหนัก θ ของ residual ย้อนหลัง
- 03
รวมค่าเฉลี่ยกับ shock ที่ถ่วงน้ำหนักเพื่อ forecast
ควรรู้อีกนิด — residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป
04Make it yours
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("moving-average-model-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.arima.model import ARIMA y = data[:, 1]model = ARIMA(y, order=(0, 0, 2), trend="c").fit()print("MA parameters:", model.maparams)print("Forecast:", model.forecast(6))print("AIC:", model.aic)โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ อันดับ MA q แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง