시계열 분석 · 개념 그림 + 기출문제 통합 학습 HTML

CONCEPT 01

시계열 데이터의 기초

1 / 4

시계열 자료시간의 흐름에 따라 관찰된 값 — 예측·경향·주기·계절성 파악에 활용

계절변동짧은 기간 동안 반복적으로 나타나는 주기적인 패턴

잡음(noise)무작위적인 변동 — 측정오류·외부요인 등 원인은 다양, 일반적으로 원인을 알 수 없음

↓ 기출 1번 연결 ↓

QUESTION 01

시계열 데이터 설명으로 부적절한 것

32회 기출

관련 문제

시계열 데이터는 시간에 따라 관측된 값을 나타낸다. 다음 중 시계열 데이터에 대한 설명으로 부적절한 것은?

① 시계열 데이터 모델링은 탐색 목적과 예측 목적으로 나눌 수 있다.

② 계절변동은 짧은 기간 동안 반복적으로 나타나는 주기적인 패턴을 의미한다.

③ 잡음(noise)은 무작위적인 변동이지만 일반적으로 그 원인은 알려져 있다.

④ 시계열 분석은 계절적 패턴과 추세를 설명하고 외부 요인과 관련된 모델을 구축하는 데 목적이 있다.

정답 ③

시계열 데이터는 시간의 흐름에 따라 연속적으로 관측된 데이터를 의미하며 탐색 목적과 예측 목적으로 나뉜다. 잡음은 시계열 데이터에서 불규칙하고 예측 불가능한 변동을 의미하며 측정 오류, 외부 요인의 영향, 모델링되지 않은 변수 등 다양한 요인이 잡음의 원인이 될 수 있기 때문에 이러한 요인들을 모두 파악하는 것은 어렵다.

핵심 암기 · 잡음(noise)은 원인이 "알려지지 않은" 무작위 변동

CONCEPT 02

정상성(Stationarity)의 3가지 조건

2 / 4

평균 일정모든 시점에서 동일한 평균 — 평균이 일정치 않으면 차분(Difference)으로 정상화

분산 일정시점에 의존하지 않음 — 일정치 않으면 변환(로그 등)으로 정상화

공분산은 시차(s)에만 의존특정 시점 t가 아니라 시차 s에만 의존

↓ 기출 2번 연결 ↓

QUESTION 02

정상성 설명으로 가장 적절하지 않은 것

35회 기출

관련 문제

시계열 데이터의 정상성(stationary)은 분석에 중요한 요소이다. 다음 중 시계열 데이터의 정상성에 대한 설명으로 가장 적절하지 않은 것은?

① 정상 시계열 데이터는 평균과 분산이 시간에 따라 변하지 않는 특성을 가진다.

② 비정상 시계열 데이터를 정상으로 변환하기 위해서는 로그 변환이나 차분을 사용할 수 있다.

③ 정상성을 확인하기 위해 시계열 데이터의 분산과 평균을 시각적으로 확인하거나 통계적 검정을 사용할 수 있다.

④ 시계열 자료가 정상성을 만족하는지 판단하기 위해 시계열 자료 그림을 통해 자료의 이상점 등을 살핀다.

정답 ④

시계열 자료의 이상점은 정상성을 판단하는 주요 기준이 아니다. 정상성 판단은 평균, 분산의 시간적 변화 및 ADF 검정과 같은 통계적 검정을 통해 이루어진다. 나머지 시계열 데이터에 대한 설명은 모두 올바르다.

핵심 암기 · 정상성 판단 = 평균·분산의 "시간적 변화" 확인 (이상점 탐지가 아님)

CONCEPT 03

평활법 — 이동평균법과 지수평활법

3 / 4

구분	이동평균법	지수평활법
사용 자료	최근 m기간만	모든 시계열 자료
가중치	기간 내 동일 가중치	최근일수록 더 큰 가중치(α)

이동평균법은 계절변동·추세를 제거해 순환변동만 남기는 방식으로, 데이터를 근본적으로 변환하지는 않는다 — 단기 변동만 제거해 추세를 식별하는 데 사용된다.

↓ 기출 3번 연결 ↓

QUESTION 03

평활법 설명으로 부적절한 것

33회 기출

관련 문제

평활법(Smoothing Method)은 시계열 데이터를 조정하여 패턴을 분석하고 예측하는 데 사용된다. 다음 중 평활법에 대한 설명으로 부적절한 것은?

① 이동평균법은 시계열 데이터가 일정한 주기를 갖고 반복적인 패턴을 보일 때 효과적으로 사용될 수 있다.

② 이동평균법은 시계열에서 계절 변동과 추세를 제거하고 순환 변동만 남기는 방식으로 데이터를 변환한다.

③ 단순지수평활법은 계절성과 추세가 없는 시계열 데이터에서 변동성을 줄이는 데 사용된다.

④ 이중지수평활법은 평균을 평활하는 매개변수와 추세를 평활하는 또 다른 매개변수를 사용하는 방법이다.

정답 ②

이동평균법(Moving Average Method)은 단기적인 변동만을 제거하여 추세를 식별하는 데 사용되며 계절 변동이나 추세를 제거하는 방식으로 데이터를 변환하지는 않는다. 또한 반복 패턴을 가지는 데이터에서 노이즈를 제거해 전체적인 흐름을 파악하는 데 유용하다. 이중지수평활법(Double Exponential Smoothing)은 추세가 있는 시계열 데이터에 적합하다.

핵심 암기 · 이동평균법은 "단기 변동 제거"가 핵심, 계절·추세 "제거"는 과장된 설명

CONCEPT 04

ARIMA 모형과 분해시계열

4 / 4

AR(p)자기회귀
과거 값이 현재에 영향

+

I(d)차분
비정상성 → 정상성

+

MA(q)이동평균
과거 오차가 현재에 영향

분해시계열 Z_t = f(T_t, S_t, C_t, I_t) — 추세(Trend)·계절(Seasonal)·순환(Cyclical)·불규칙(Irregular) 4요인으로 분리. ARIMA에서 p=0일 때 IMA(d,q) 모형, d번 차분하면 MA(q) 모형을 따른다.

↓ 기출 4번 연결 ↓

QUESTION 04

시계열 모형 설명으로 적절한 것

34회 기출

관련 문제

시계열 모형에 대한 설명으로 적절한 것을 고르시오.

① ARIMA 모형은 차분(d)과 자기회귀(AR)만을 결합하여 사용하며, 이동평균(MA)은 포함되지 않는다.

② 분해시계열은 데이터의 계절성을 분리하는 방법이며, 트렌드 성분은 크게 고려하지 않는다.

③ ARIMA 모형에서는 정상성 조건이 항상 만족되므로, 비정상성을 다룰 필요가 없다.

④ ARIMA 모형에서 p=0일 때, IMA(d,q) 모형이라고 부르고, d번 차분하면 MA(q)모형을 따른다.

정답 ④

ARIMA 모형은 비정상성을 다루기 위해 차분(d)을 사용하며, 특정 조건에서 단순한 MA 모형으로 변환될 수 있으며 MA를 포함한다. 분해시계열은 트렌드 성분을 고려한다. ARIMA는 차분을 통해 "비정상 시계열을 정상으로" 바꾸는 과정이 핵심이므로 정상성 조건이 항상 저절로 만족되는 것은 아니다.

핵심 암기 · ARIMA = AR + I(차분) + MA — 셋 다 포함