Zaman Serileri Tahmini için Uyumlu Tahmin
Conformal Prediction for Time-Series Forecasting · Ayrıca şöyle bilinir: conformal prediction, distribution-free prediction intervals, EnbPI, Konformal Tahmin (Conformal Prediction — Zaman Serisi)
Uyumlu tahmin, herhangi bir nokta tahmincisini (ARIMA, sinir ağı veya makine öğrenmesi modeli) yalnızca artıklarını kullanarak geçerli tahmin aralıklarına dönüştüren dağıtımsız bir sarmalayıcıdır. Zaman serisi formu Xu & Xie (2021) tarafından popülerleştirilmiş ve modern öğretici yaklaşımı Angelopoulos & Bates (2023) tarafından yapılmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sürekli bir zaman seriniz olduğunda, güvenilir bir nokta tahminciniz zaten olduğunda ve Gauss veya başka bir parametrik hata modeline bağlı kalmadan kalibre edilmiş tahmin aralıklarına ihtiyaç duyduğunuzda uyumlu tahmini kullanın. Kabaca değişebilir artıklar (yaklaşık değişebilirlik) ve en az yaklaşık 50 gözlem içeren ayrı bir kalibrasyon seti bekler. Temel modelin yerel aralıklarının güvenilmez olduğu kara kutu olduğunda doğal seçimdir ve blok bootstrap gibi zamana duyarlı bir şema kullanılmadıkça, ani rejim kaymaları gibi değişebilirliğin ciddi şekilde ihlal edildiği durumlarda daha az uygundur.
Güçlü yönler & sınırlılıklar
- Dağıtımsız: parametrik bir hata dağılımı varsaymadan geçerli aralıklar üretir.
- Modelden bağımsız sarmalayıcı — ARIMA, sinir ağları, gradyan artırma veya herhangi bir nokta tahmincisinin üzerinde çalışır.
- Blok bootstrap (EnbPI) varyantı zamansal bağımlılığı korur, böylece kapsama dinamik seriler için geçerlidir.
- Geçerlilik, artıkların yaklaşık değişebilirliğine dayanır, bu da ani rejim kaymaları tarafından bozulabilir.
- Temel modelin aksi takdirde kullanabileceği verileri harcadığı için ayrı bir kalibrasyon seti gerektirir.
- Kapsama marjinaldir: aralıklar her girdi için koşullu olarak değil, ortalama olarak kalibre edilir.
SSS
Uyumlu tahminin dağıtımsız olması ne anlama geliyor?
Aralık, modelin kendi artıklarının ampirik kantilinden oluşturulur, bu nedenle hataların Gauss veya belirli bir dağılımı izlediğine dair bir varsayım gerektirmez. Geçerlilik bunun yerine artıkların yaklaşık değişebilirliğinin çok daha hafif koşuluna dayanır.
Herhangi bir tahmin modeliyle kullanabilir miyim?
Evet. Uyumlu tahmin bir sarmalayıcıdır: herhangi bir nokta tahmincisini (ARIMA, sinir ağı, gradyan artırma) sağlarsınız ve bu modelin artıklarından aralıkları kalibre eder. Temel modelin mekaniğini değiştirmez veya yeniden ayarlamaz.
Zaman serileri için neden özel bir sürüm var?
Standart uyumlu tahmin, otokorelasyon tarafından ihlal edilen değişebilir verileri varsayar. Xu & Xie'nin EnbPI şeması, zamansal bağımlılığın korunması ve dinamik seriler için kapsamanın geçerli olması için blok bootstrap ile artıklar toplar.
Aralığın her tahmini kapsayacağını garanti eder mi?
Hayır. Garanti marjinaldir — kapsama ortalama olarak seçilen seviyede (1−α) geçerlidir — her belirli girdi için koşullu değildir. Bir bant yine de bireysel olarak tahmin edilmesi zor bir nokta için ıskalayabilir.
Kaynaklar
- Angelopoulos, A. N. & Bates, S. (2023). Conformal Prediction: A Gentle Introduction. Foundations and Trends in Machine Learning, 16(4), 494-591. DOI: 10.1561/2200000101 ↗
- Xu, C. & Xie, Y. (2021). Conformal Prediction Interval for Dynamic Time-Series. International Conference on Machine Learning (ICML). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Conformal Prediction for Time-Series Forecasting. ScholarGate. https://scholargate.app/tr/econometrics/conformal-prediction-ts
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- En Küçük Kareler (EK) RegresyonuEkonometri↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır