ARIMA মডেল কী এবং এর Components (AR, I, MA)

ARIMA (AutoRegressive Integrated Moving Average) মডেল হলো টাইম সিরিজ বিশ্লেষণের একটি অত্যন্ত জনপ্রিয় এবং শক্তিশালী মডেল, যা অটো-রিগ্রেসিভ (AR), ইন্টিগ্রেটেড (I), এবং মুভিং অ্যাভারেজ (MA) উপাদানগুলির সমন্বয়ে তৈরি। ARIMA মডেলটি মূলত ট্রেন্ড, সিজনালিটি এবং অন্যান্য অস্থির পরিবর্তনসমূহের সাথে কাজ করতে পারে এবং ভবিষ্যতের পূর্বাভাসের জন্য ব্যবহৃত হয়।

ARIMA মডেলটি সময়ের সাথে ডেটার প্যাটার্ন এবং সম্পর্ক চিহ্নিত করার জন্য গড়, ভ্যারিয়েন্স এবং কভেরিয়েন্সের ভিত্তিতে কাজ করে। এটি সাধারণত স্টেশনারি টাইম সিরিজ ডেটার জন্য কার্যকর। তবে, যদি ডেটা স্টেশনারি না হয়, তাহলে ইন্টিগ্রেটেড (I) অংশটি ডেটাকে স্টেশনারি করতে সাহায্য করে।

ARIMA মডেলের কম্পোনেন্টস (AR, I, MA)

ARIMA মডেলটি তিনটি প্রধান উপাদান নিয়ে গঠিত:

1. AR (AutoRegressive)
2. I (Integrated)
3. MA (Moving Average)

১. AR (AutoRegressive) - অটো-রিগ্রেসিভ

• বর্ণনা: AR অংশটি পূর্ববর্তী সময়ের মানের (ল্যাগ) উপর ভিত্তি করে বর্তমান সময়ের মান অনুমান করে। অর্থাৎ, এটি টাইম সিরিজের বর্তমান মান এবং পূর্ববর্তী মানগুলির মধ্যে সম্পর্ক নির্ধারণ করে।

• ফর্মুলা:

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

  এখানে, $Y_t$ হলো বর্তমান মান, $Y_{t-1}, Y_{t-2}, \dots, Y_{t-p}$ হলো পূর্ববর্তী সময়ের মান, $\phi_1, \phi_2, \dots, \phi_p$ হলো AR মডেলের প্যারামিটার, এবং $\epsilon_t$ হলো হোয়াইট নয়েজ বা র্যান্ডম ত্রুটি।

• ব্যবহার: AR অংশটি ব্যবহার করে ডেটার পূর্ববর্তী মানের উপর ভিত্তি করে বর্তমান মানের পূর্বাভাস তৈরি করা হয়।

২. I (Integrated) - ইন্টিগ্রেটেড

• বর্ণনা: I অংশটি টাইম সিরিজের স্টেশনারিটি অর্জন করতে ব্যবহৃত হয়। সাধারণত, টাইম সিরিজ ডেটা স্টেশনারি না থাকলে ডিফারেন্সিং (differencing) পদ্ধতি ব্যবহার করে ডেটাকে স্টেশনারি করা হয়। ইন্টিগ্রেশন মানে হল, পূর্ববর্তী সময়ের মানগুলির পার্থক্য নেওয়া, যাতে ডেটা স্টেশনারি হয়।

• ফর্মুলা:

  $$\text{Differenced series} = Y_t - Y_{t-1}$$

  এটি d সংখ্যক বার ডিফারেন্সিং (paralleling "I" value) প্রয়োগ করতে পারে।

• ব্যবহার: I অংশটি ডেটার ট্রেন্ড সরাতে এবং স্টেশনারিটি অর্জন করতে ব্যবহৃত হয়। এর মাধ্যমে টাইম সিরিজ ডেটাকে পরিস্কার এবং সহজে বিশ্লেষণযোগ্য করা হয়।

৩. MA (Moving Average) - মুভিং অ্যাভারেজ

• বর্ণনা: MA অংশটি পূর্ববর্তী ত্রুটির (error terms) উপর ভিত্তি করে বর্তমান মান অনুমান করে। এটি টাইম সিরিজের পূর্ববর্তী ত্রুটির গড় ব্যবহার করে মডেলের পূর্বাভাস তৈরি করে। MA মডেলটি সাধারণত পূর্ববর্তী ত্রুটির জন্য একটি গড় মান ধারণ করে, যা বর্তমান সময়ে ভবিষ্যত প্রক্ষেপণ করতে ব্যবহৃত হয়।

• ফর্মুলা:

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

  এখানে, $Y_t$ হলো বর্তমান মান, $\epsilon_t$ হলো ত্রুটি, $\theta_1, \theta_2, \dots, \theta_q$ হলো MA মডেলের প্যারামিটার, এবং $q$ হলো মুভিং অ্যাভারেজ ল্যাগ।

• ব্যবহার: MA অংশটি ত্রুটির গড় ব্যবহার করে টাইম সিরিজের পরিবর্তনগুলি শোধরানোর জন্য ব্যবহৃত হয়।

ARIMA মডেলের সাধারণ ফর্ম

ARIMA মডেলটি সাধারণত ARIMA(p, d, q) আকারে লেখা হয়, যেখানে:

• p: AR অংশের জন্য ল্যাগের সংখ্যা (অর্থাৎ, কতগুলি পূর্ববর্তী মান ব্যবহার করা হবে)।
• d: I অংশের জন্য ডিফারেন্সিং সংখ্যক (কতবার ডিফারেন্সিং প্রয়োজন)।
• q: MA অংশের জন্য ল্যাগের সংখ্যা (অর্থাৎ, কতগুলি পূর্ববর্তী ত্রুটি ব্যবহার করা হবে)।

ARIMA মডেলের উদাহরণ:

ধরা যাক, আপনার কাছে একটি টাইম সিরিজ ডেটা রয়েছে এবং আপনি এর ভবিষ্যৎ মান পূর্বাভাস করতে চান। আপনি যদি ARIMA(1, 1, 1) মডেলটি ব্যবহার করেন, তাহলে:

• p = 1 (অর্থাৎ, AR অংশে একটি ল্যাগ থাকবে),
• d = 1 (অর্থাৎ, ডিফারেন্সিং একবার প্রয়োজন),
• q = 1 (অর্থাৎ, MA অংশে একটি ত্রুটি ল্যাগ থাকবে)।

এই মডেলটি পূর্ববর্তী মান এবং পূর্ববর্তী ত্রুটির সাথে সম্পর্কিত থাকবে, এবং একবার ডিফারেন্সিং করার মাধ্যমে স্টেশনারিটি অর্জন করবে।

ARIMA মডেলের সুবিধা:

• প্রচলিত এবং শক্তিশালী: ARIMA মডেলটি টাইম সিরিজের পূর্বাভাসের জন্য অত্যন্ত জনপ্রিয় এবং শক্তিশালী।
• স্টেশনারি ডেটার জন্য উপযুক্ত: ARIMA মডেলটি স্টেশনারি টাইম সিরিজ ডেটার জন্য খুব ভালো কাজ করে।
• কমপ্লেক্স প্যাটার্ন সামলানো: AR, I, এবং MA অংশগুলি মিলে জটিল প্যাটার্ন এবং প্রবণতাগুলির পূর্বাভাস তৈরি করতে সক্ষম।

সারাংশ

ARIMA মডেল একটি শক্তিশালী টাইম সিরিজ বিশ্লেষণ এবং পূর্বাভাসের পদ্ধতি যা অটো-রিগ্রেসিভ (AR), ইন্টিগ্রেটেড (I), এবং মুভিং অ্যাভারেজ (MA) উপাদানের সমন্বয়ে কাজ করে। এটি ডেটার স্টেশনারিটি নিশ্চিত করতে এবং পূর্ববর্তী মান ও ত্রুটির ভিত্তিতে ভবিষ্যতের মান অনুমান করতে ব্যবহৃত হয়। ARIMA মডেলটি টাইম সিরিজের জন্য অত্যন্ত জনপ্রিয় এবং কার্যকর মডেল, বিশেষত স্টেশনারি ডেটার ক্ষেত্রে।