Machine Learning AR এবং MA Components এর সমন্বয় গাইড ও নোট

AR (AutoRegressive) এবং MA (Moving Average) মডেল দুটি আলাদা টাইম সিরিজ মডেল হলেও, সেগুলোর সমন্বয়ে একটি শক্তিশালী টাইম সিরিজ মডেল ARMA (AutoRegressive Moving Average) তৈরি হয়। AR এবং MA এর সমন্বয় ডেটার দুইটি গুরুত্বপূর্ণ দিক (পূর্ববর্তী মানের উপর নির্ভরশীলতা এবং ত্রুটি সংশোধন) বিশ্লেষণ করে।

১. AR (AutoRegressive) মডেল

AR মডেলটি টাইম সিরিজের পূর্ববর্তী মানের উপর ভিত্তি করে বর্তমান মানের পূর্বাভাস তৈরি করে। এর মূল ভিত্তি হল যে বর্তমান মানের একটি নির্দিষ্ট ল্যাগ (lag) পরিমাণের পূর্ববর্তী মানগুলির সাথে সম্পর্ক রয়েছে। AR মডেলটি সাধারণত লিনিয়ার রিগ্রেশন এর মতো কাজ করে।

AR মডেলের সাধারণ ফর্ম:

$$Y_t = c + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \dots + \phi_p Y_{t-p} + \epsilon_t$$

এখানে:

• $Y_t$ হলো বর্তমান মান।
• $\phi_1, \phi_2, \dots, \phi_p$ হলো মডেল প্যারামিটার, যা পূর্ববর্তী $p$ সময়ের ডেটার উপর প্রভাব ফেলে।
• $\epsilon_t$ হলো ত্রুটি বা র্যান্ডম ভ্যারিয়েশন (white noise)।

২. MA (Moving Average) মডেল

MA মডেলটি টাইম সিরিজের ত্রুটির ওপর ভিত্তি করে বর্তমান মানের পূর্বাভাস তৈরি করে। এটি মূলত পূর্ববর্তী ত্রুটির গড় ব্যবহার করে বর্তমান মানের অনুমান করে। MA মডেলটি একটি স্লাইডিং উইন্ডো ব্যবহার করে পূর্ববর্তী ত্রুটির একটি গড় বের করে, যা ভবিষ্যতের মান অনুমান করতে সহায়ক।

MA মডেলের সাধারণ ফর্ম:

$$Y_t = c + \epsilon_t + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \dots + \theta_q \epsilon_{t-q}$$

এখানে:

• $Y_t$ হলো বর্তমান মান।
• $\theta_1, \theta_2, \dots, \theta_q$ হলো মডেল প্যারামিটার, যা পূর্ববর্তী $q$ সময়ের ত্রুটির উপর প্রভাব ফেলে।
• $\epsilon_t$ হলো ত্রুটি বা র্যান্ডম ভ্যারিয়েশন।

৩. ARMA (AutoRegressive Moving Average) মডেল

ARMA মডেলটি AR এবং MA মডেলের একটি সমন্বয়, যা টাইম সিরিজের পূর্ববর্তী মান (AR) এবং ত্রুটির গড় (MA) উভয়কেই বিবেচনায় নিয়ে পূর্বাভাস তৈরি করে। এই মডেলটি শুধুমাত্র স্টেশনারি টাইম সিরিজের জন্য প্রযোজ্য, অর্থাৎ টাইম সিরিজে ট্রেন্ড বা সিজনাল প্যাটার্ন না থাকলে এটি ব্যবহার করা যায়।

ARMA মডেলের সাধারণ ফর্ম:

$$Y_t = c + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \dots + \phi_p Y_{t-p} + \epsilon_t + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \dots + \theta_q \epsilon_{t-q}$$

এখানে:

• $Y_t$ হলো বর্তমান মান।
• $\phi_1, \phi_2, \dots, \phi_p$ হলো AR প্যারামিটার।
• $\theta_1, \theta_2, \dots, \theta_q$ হলো MA প্যারামিটার।
• $\epsilon_t$ হলো ত্রুটি বা র্যান্ডম ভ্যারিয়েশন।

৪. ARMA মডেল কিভাবে কাজ করে?

ARMA মডেলটি টাইম সিরিজ ডেটার লিনিয়ার প্যাটার্ন বিশ্লেষণ করে। এটি দুটি গুরুত্বপূর্ণ বৈশিষ্ট্য নির্ধারণ করতে সাহায্য করে:

1. পূর্ববর্তী মানের প্রভাব (AR Component): টাইম সিরিজের পূর্ববর্তী মানের সাথে বর্তমান মানের সম্পর্ক।
2. ত্রুটির প্রভাব (MA Component): পূর্ববর্তী ত্রুটির সাথে বর্তমান মানের সম্পর্ক।

ARMA মডেলটি একত্রে এই দুটি উপাদান ব্যবহার করে টাইম সিরিজের ভবিষ্যত মান অনুমান করতে সক্ষম।

৫. ARIMA মডেল (AutoRegressive Integrated Moving Average)

ARMA মডেল স্টেশনারি টাইম সিরিজের জন্য কাজ করে। কিন্তু, যদি টাইম সিরিজে ট্রেন্ড থাকে, তবে ARMA মডেলটি কাজ করবে না। তাই ARIMA (AutoRegressive Integrated Moving Average) মডেলটি প্রবর্তিত হয়েছে, যা স্টেশনারিটি অর্জন করার জন্য "ইন্টিগ্রেশন" (differencing) পদ্ধতি ব্যবহার করে। ARIMA মডেলটি ARMA এর সাথে ডিফারেন্সিং (integration) যুক্ত করে।

৬. ARMA মডেলটি কখন ব্যবহার করবেন?

• স্টেশনারি টাইম সিরিজ: ARMA মডেলটি শুধুমাত্র স্টেশনারি টাইম সিরিজে ব্যবহার করা উচিত, যেখানে ডেটার গড়, ভ্যারিয়েন্স এবং কোভেরিয়েন্স সময়ের সাথে অপরিবর্তিত থাকে।
• নির্ভরশীলতা এবং ত্রুটি: যখন টাইম সিরিজে পূর্ববর্তী মান (AR) এবং ত্রুটির গড় (MA) উভয়ের মধ্যেই সম্পর্ক থাকে, তখন ARMA মডেল উপযুক্ত।

সারাংশ

AR এবং MA কম্পোনেন্টগুলি একত্রিত হয়ে ARMA মডেল তৈরি করে, যা টাইম সিরিজ ডেটার পূর্ববর্তী মান এবং ত্রুটির গড়ের ওপর ভিত্তি করে ভবিষ্যতের মান অনুমান করতে ব্যবহৃত হয়। ARMA মডেল স্টেশনারি টাইম সিরিজ বিশ্লেষণের জন্য কার্যকর, তবে যদি টাইম সিরিজে ট্রেন্ড থাকে, তাহলে ARIMA মডেল ব্যবহার করা হয়।