Zaman Serisi Çapraz Doğrulaması (Kaydırmalı/Genişleyen Pencere)
Time-Series Cross-Validation (Rolling/Expanding Window) · Ayrıca şöyle bilinir: Rolling-Origin Cross-Validation, Walk-Forward Validation, Expanding Window Evaluation, Zaman Serisi Çapraz Doğrulama
Zaman serisi çapraz doğrulaması, sıralı veriler için tasarlanmış bir yeniden örnekleme prosedürüdür. Zamansal yapıyı bozacak ve veri sızıntısına neden olacak şekilde gözlemleri rastgele bölmek yerine, tahmin kökenini adım adım ilerleterek, o kökene kadar olan tüm geçmiş veriler üzerinde bir model uydurur ve hemen ardından gelen örneklem dışı dönemde değerlendirir. Ekonomistler, finans analistleri ve meteorologlar, zamana göre sıralanmış bir süreç için tahmin doğruluğunun dürüst, operasyonel olarak gerçekçi bir tahminine ihtiyaç duyduklarında bunu kullanırlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zamansal olarak sıralanmış veriler için tarafsız bir tahmin doğruluğu tahmini istediğinizde zaman serisi çapraz doğrulamasını kullanın — makro-ekonomik tahmin, borsa getirisi tahmini, enerji talebi veya epidemiyolojik gözetim. Yöntem durağanlık veya kovaryans-durağanlık altında geçerlidir; seri durağan değilse önceden fark alma veya trend giderme uygulayın. Zaman serileri için standart k-katlı çapraz doğrulamadan kaçının, çünkü bu zamansal sıralama kısıtlamasını ihlal eder ve iyimser olarak yanlı hata tahminleri üretir. Çok kısa seriler (50 gözlemden az) için kullanılabilir değerlendirme pencerelerinin sayısı kararlı tahminler üretmek için çok az olabilir; bu durumda önyükleme tabanlı değerlendirme yaygın bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Zamansal sıralamayı kesinlikle gözetir, ileriye bakma yanlılığını ve veri sızıntısını ortadan kaldırır.
- Birçok değerlendirme penceresi boyunca dağıtım koşullarının gerçekçi bir simülasyonunu sağlar.
- Modelden bağımsız: parametrik modellere (ARIMA), makine öğrenimi regresörlerine ve sinir ağlarına eşit şekilde uygulanabilir.
- Her köken başına hataların bir dağılımını verir, bu da Diebold-Mariano testi aracılığıyla istatistiksel test yapılmasına olanak tanır.
- Büyük veri kümeleri veya yavaş uyan modeller için hesaplama açısından pahalıdır, çünkü model her kökende yeniden tahmin edilir.
- Erken değerlendirme pencereleri karmaşık modelleri güvenilir bir şekilde uydurmak için çok kısa olabilir, bu da erken köken hatalarını yukarı doğru yanlı hale getirir.
- Ardışık tahmin hataları seri olarak ilişkilidir, bu nedenle onları bağımsız olarak ele almak istatistiksel kesinliği abartır.
- Minimum pencere boyutu t₀ ve pencere türü (kaydırmalı vs. genişleyen) seçimi özneldir ve bildirilen doğruluğu önemli ölçüde etkileyebilir.
SSS
Kaydırmalı pencere ve genişleyen pencere çapraz doğrulaması arasındaki fark nedir?
Kaydırmalı (sabit pencereli) varyantta eğitim seti her zaman en son w gözlemi içerir; köken ilerledikçe eski veriler atılır. Genişleyen varyantta eğitim seti monoton bir şekilde büyür — her geçmiş gözlem korunur. Veriler kıt olduğunda veya uzun vadeli desenler önemli olduğunda genişleyen pencere genellikle tercih edilir; yapısal kırılmalar eski verileri yanıltıcı hale getirdiğinde veya hesaplama bütçesi kısıtlı olduğunda kaydırmalı pencereler tercih edilir.
Çok adımlı tahminler için zaman serisi çapraz doğrulaması kullanabilir miyim?
Evet. Her kökende h = 1, 2, …, H ufukları için tahminler üretir ve her ufuk için ayrı hata dizileri kaydedersiniz. Doğruluk daha sonra ufuk başına bildirilir. Kısa ufuklu ve uzun ufuklu hatalar çok farklı büyüklük ve volatilite yapılarına sahip olduğundan, ağırlıklandırma yapmadan hataları tek bir metrikte toplamak için dikkatli olun.
Güvenilir doğruluk tahminleri için kaç değerlendirme penceresine ihtiyacım var?
Bergmeir ve Benítez (2012) bir minimum belirlemez, ancak tahmin literatüründen pratik rehberlik, kararlı hata tahminleri elde etmek için en az 20-30 örneklem dışı köken önerir. Mevsimsel veriler için bu genellikle değerlendirme döneminde en az iki veya üç tam mevsimsel döngü anlamına gelir. Daha az pencere, geniş belirsizlik aralıklarıyla birlikte verilmesi gereken yüksek varyanslı doğruluk tahminleri üretir.
Kaynaklar
- Bergmeir, C., & Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191, 192–213. DOI: 10.1016/j.ins.2011.12.028 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Time-Series Cross-Validation (Rolling/Expanding Window). ScholarGate. https://scholargate.app/tr/econometrics/ts-cross-validation
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
- Bootstrap Çıkarımıİstatistik↔ karşılaştır
- Diebold-Mariano Testi (Eşit Tahmin Doğruluğu)Ekonometri↔ karşılaştır