Model Autoregresif

Apa Itu Model Autoregresif?

Model autoregresif adalah proses yang digunakan untuk memprediksi masa depan berdasarkan akumulasi data dari masa lalu. Hal ini dimungkinkan karena ada korelasi antara keduanya. Model seperti itu dapat mewakili prosedur acak apa pun di mana keluarannya bergantung pada nilai sebelumnya.

Anda bebas menggunakan gambar ini di situs web Anda, templat, dll., Harap berikan kami tautan atribusiBagaimana Memberikan Atribusi? Tautan Artikel menjadi Hyperlink
Misalnya: Sumber: Model Autoregressive (wallstreetmojo.com)

Model ini sering digunakan untuk memprediksi tren harga saham di masa depan dengan menganalisis kinerja masa lalu. Dengan demikian, diasumsikan bahwa hasil di masa depan akan serupa dengan tahun-tahun sebelumnya. Namun, hal ini terkadang dapat diterima karena, karena perubahan teknologi dan ekonomi global yang berkelanjutan, tidak ada jaminan bahwa masa depan akan mencerminkan masa lalu.

Takeaway kunci

• Model autoregresif adalah metode peramalan masa depan berdasarkan nilai masa lalu.
• Ini mengasumsikan bahwa data masa lalu dan masa depan berkorelasi sempurna dan masa lalu akan secara akurat mencerminkan masa depan.
• Model ini membantu perhitungan harga saham di masa depan dengan menggunakan analisis harga dari data masa lalu.
• Model ini bukan sumber informasi yang dapat diandalkan karena, karena perubahan ekonomi dan teknologi yang terus menerus di seluruh dunia, sulit untuk berasumsi bahwa masa lalu akan mencerminkan masa depan secara akurat.

Model Autoregresif Dijelaskan

Model autoregressive (AR) memprediksi masa depan berdasarkan data atau informasi masa lalu. Ini membantu dalam peramalan harga saham dengan asumsi bahwa harga tahun-tahun sebelumnya akan benar-benar mencerminkan akhir.

Dalam model autoregressive time series dihitung berdasarkan korelasi data masa lalu dan masa depan. Jadi, ini adalah metode statistik untuk analisis fundamental atau teknis apa pun. Namun kelemahan dari model ini adalah asumsi bahwa semua kekuatan atau faktor yang mempengaruhi kinerja masa lalu akan tetap sama, yang tidak realistis karena perubahan tidak dapat dihindari di semua bidang. Ada transformasi cepat di sekitar karena inovasi tanpa henti terjadi.

Sebuah model autoregresif vektor, misalnya, terdiri dari beberapa variabel yang mencoba untuk mengkorelasikan nilai sekarang variabel dengan nilai masa lalunya dan data masa lalu sistem dari variabel lain. Jadi, ini adalah model multivariat. Jika model AR adalah univariat, tidak mungkin mendapatkan hasil dua arah antar variabel.

Penggunaan proses autoregressive untuk membuat peramalan sangat signifikan. Namun, model ini juga bersifat stokastik, artinya memiliki unsur ketidakpastian. Setiap kemungkinan yang tidak terduga atau perubahan dan pergeseran ekonomi yang tiba-tiba akan mempengaruhi hasil nilai masa depan secara signifikan, yang mengacu pada fakta bahwa hasilnya tidak akan pernah akurat. Namun demikian, adalah mungkin untuk mendapatkan hasil yang paling dekat.

Model autoregresif orde pertama mengasumsikan bahwa nilai sebelumnya segera menentukan nilai saat ini. Namun, mungkin ada kasus di mana nilai sekarang akan bergantung pada dua nilai sebelumnya. Dengan demikian, dalam model autoregressive, time series memegang peranan penting dan digunakan tergantung pada situasi dan hasil yang diinginkan.

Rumus

Mari kita coba memahami persamaan model autoregresif seperti yang disebutkan di bawah ini:

Dalam model ini, beberapa nilai spesifik dari Xt berfungsi sebagai variabel. Mereka memiliki nilai tertinggal, yang berarti output masa lalu atau saat ini akan mempengaruhi hasil masa depan.

Persamaan model autoregresif, dilambangkan dengan AR(p), diberikan di bawah ini:

Xt = C + ϕ ₁ X _t-1 + ϵ _t 

di mana,

• X _t-1 = nilai X pada tahun/bulan/minggu sebelumnya. Jika “t” adalah tahun berjalan, maka “t-1” akan menjadi tahun terakhir.
• ϕ _{1 =} koefisien, yang kita kalikan dengan X _t-1. Nilai ϕ ₁ akan selalu 1 atau -1.
• ϵ _{t =} Selisih antara nilai periode t dengan nilai yang benar (ϵ _t = y _t – ŷ _t )
• p = Urutan. Dengan demikian, AR (1) adalah model autoregresif orde pertama. Urutan kedua dan ketiga masing-masing adalah AR (2) dan AR (3).

Contoh s

Di sini kita melihat beberapa contoh untuk memahami konsepnya.

Contoh 1

John adalah seorang investor di pasar saham. Dia menganalisis saham berdasarkan data masa lalu yang terkait dengan kinerja dan statistik perusahaan. John percaya bahwa kinerja saham di tahun-tahun sebelumnya sangat berkorelasi dengan masa depan, yang bermanfaat untuk pengambilan keputusan investasi.

Dia menggunakan model autoregressive dengan data harga selama lima tahun sebelumnya. Hasilnya memberinya perkiraan harga di masa depan tergantung pada asumsi bahwa penjual dan pembeli mengikuti pergerakan pasar dan karenanya membuat keputusan investasi.

Contoh #2

Konsep model AR telah menjadi penting di bidang teknologi informasi. Google telah mengusulkan Autoregressive Diffusion Models (ARDMs), yang mencakup dan menggeneralisasikan model yang bergantung pada pengaturan data apa pun. Dimungkinkan untuk melatih model untuk mencapai hasil yang diinginkan. Dengan demikian, metode ini akan menghasilkan hasil di bawah urutan apa pun.

Contoh #3

Proses autoregresi dapat membantu dalam bidang kedokteran hewan; juga, fokus utamanya adalah pada terjadinya penyakit dari waktu ke waktu. Dalam hal ini, sumber informasi utama adalah sistem yang digunakan untuk memantau dan melacak rincian penyakit hewan. Data ini dianalisis dan dikorelasikan menggunakan model untuk memahami kemungkinan terjadinya penyakit. Namun, model ini memiliki penggunaan yang terbatas di bidang kedokteran hewan karena ketersediaan data yang terbatas dan kebutuhan perangkat lunak yang berguna untuk menghasilkan hasil terbaik.

Model Autoregresif vs Moving Average

Model autoregresif adalah metode prediksi masa depan berdasarkan informasi masa lalu. Sebaliknya, rata-rata bergerak menganalisis data dengan menghitung serangkaian rata-rata dari kumpulan data besar. Namun, perbedaan di antara mereka adalah sebagai berikut:

Pertanyaan yang Sering Diajukan (FAQ)

1. Apakah model autoregresif stasioner?

Bergantung pada parameter tertentu, model AR mungkin stasioner atau non-stasioner. Misalnya, jika ini adalah kasus model orde pertama, di mana p = 1, jika koefisiennya kurang dari satu, maka model tersebut akan stasioner; jika tidak, itu tidak stasioner.

2. Bagaimana menginterpretasikan model autoregressive?

Model AR digunakan untuk meramalkan masa depan dengan menggunakan data masa lalu. Model menganggap bahwa nilai masa lalu akan mencerminkan masa depan. Sebagai contoh, jika kita melihat persamaan Xt = C + ϕ ₁ X _t-1 + ϵ _t, maka model tersebut dapat diinterpretasikan sebagai nilai periode Yt sama dengan bagian ϕ ₁ dari periode sebelumnya X _{t- 1} ditambah kejutan tak terduga ϵ _t.

3. Bagaimana cara menggunakan model vektor autoregresif?

Model ini berguna ketika lebih dari satu deret waktu dapat saling mempengaruhi. Mereka dapat disebut dua arah dan multivariat dan berkontribusi pada ilmu alam dan ekonomi. Misalnya, ini membantu memperkirakan hubungan ekonomi apa pun, seperti pengaruh PDB dan tingkat kebijakan suatu negara satu sama lain. Ini juga berharga untuk penelitian keuangan dan kesehatan.

Artikel yang Direkomendasikan

Artikel ini telah menjadi panduan tentang apa itu Model Autoregresif. Berikut kami jelaskan secara detail beserta rumus, contoh, dan perbedaannya dengan moving average. Anda juga dapat menemukan beberapa artikel bermanfaat di sini –

• Regresi bertahap
• Regresi linier
• Regresi ke Mean