Autoregressive (AR), Moving Average (MA), এবং ARIMA Models গাইড ও নোট

Autoregressive (AR), Moving Average (MA), and ARIMA Models in Time Series Analysis

Time Series Analysis হল একটি বিশ্লেষণ পদ্ধতি, যা সময়ের সাথে পরিবর্তিত ডেটার প্যাটার্ন ও ট্রেন্ড শনাক্ত করতে ব্যবহৃত হয়। AR, MA, এবং ARIMA হল কিছু জনপ্রিয় মডেল যা টাইম সিরিজ ডেটার প্রেডিকশন এবং বিশ্লেষণের জন্য ব্যবহৃত হয়।

1. Autoregressive (AR) Model

Autoregressive (AR) মডেলটি একটি টাইম সিরিজ মডেল যা পূর্ববর্তী সময় পয়েন্টগুলির উপর ভিত্তি করে ভবিষ্যত মানের পূর্বাভাস দেয়। এটি বর্তমান মানকে পূর্ববর্তী মানের লিনিয়ার ফাংশন হিসাবে মডেল করে।

AR Model Formula:
\[
Y_t = c + \phi_1 Y_{t-1} + \phi_2 Y_{t-2} + \dots + \phi_p Y_{t-p} + \epsilon_t
\]

• Y_t: বর্তমান সময় পয়েন্টের মান
• c: কনস্ট্যান্ট
• φ1, φ2,..., φp: প্যারামিটার যা পূর্ববর্তী সময় পয়েন্টগুলির প্রভাব দেখায়।
• ε_t: ত্রুটি শব্দ (error term)

Example of AR Model:

# AR Model with AR(1) (Autoregressive of order 1)
library(forecast)
data("AirPassengers")  # Time series data of airline passengers
ar_model <- arima(AirPassengers, order = c(1, 0, 0))  # AR(1) model
summary(ar_model)

এখানে, arima() ফাংশনটি একটি AR(1) মডেল তৈরি করেছে, যেখানে order = c(1, 0, 0) বলে দেওয়া হয়েছে যে এটি একটি AR(1) মডেল।

2. Moving Average (MA) Model

Moving Average (MA) মডেলটি একটি টাইম সিরিজ মডেল যা পূর্ববর্তী ত্রুটি শব্দগুলির উপর ভিত্তি করে ভবিষ্যত মানের পূর্বাভাস দেয়। এটি মূলত পূর্ববর্তী ত্রুটি (errors) ব্যবহার করে ভবিষ্যত মানের হিসাব করে।

MA Model Formula:
\[
Y_t = c + \epsilon_t + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \dots + \theta_q \epsilon_{t-q}
\]

• Y_t: বর্তমান সময় পয়েন্টের মান
• ε_t: ত্রুটি শব্দ (error term)
• θ1, θ2,..., θq: MA মডেলের প্যারামিটার

Example of MA Model:

# MA Model with MA(1) (Moving Average of order 1)
ma_model <- arima(AirPassengers, order = c(0, 0, 1))  # MA(1) model
summary(ma_model)

এখানে, arima() ফাংশনটি একটি MA(1) মডেল তৈরি করেছে, যেখানে order = c(0, 0, 1) বলে দেওয়া হয়েছে যে এটি একটি MA(1) মডেল।

3. ARIMA Model (Autoregressive Integrated Moving Average)

ARIMA মডেলটি একটি একত্রীকৃত (integrated) মডেল যা AR এবং MA মডেল দুটি একত্রে ব্যবহার করে। ARIMA মডেলটি মূলত একটি টাইম সিরিজ ডেটার আউটোমেটিক ট্রেন্ড এবং সিজনালিটি ধরে রাখে। এটি একটি তিনটি প্যারামিটার দিয়ে সংজ্ঞায়িত হয়:

1. p: AR মডেলের অর্ডার (Autoregressive part)
2. d: ডেটার ইন্টিগ্রেশন অর্ডার (দ্বারা ট্রেন্ড থেকে ডেটাকে স্থির করা)
3. q: MA মডেলের অর্ডার (Moving Average part)

ARIMA Model Formula:
\[
(1 - \phi_1 B - \phi_2 B^2 - \dots - \phi_p B^p) (1 - B)^d Y_t = (1 + \theta_1 B + \theta_2 B^2 + \dots + \theta_q B^q) \epsilon_t
\]

• B: ল্যাগ অপারেটর
• d: ডেটার ইন্টিগ্রেশন অর্ডার, যা টাইম সিরিজের ট্রেন্ড দূর করতে সাহায্য করে।

Example of ARIMA Model:

# ARIMA model with p=1, d=1, q=1
arima_model <- arima(AirPassengers, order = c(1, 1, 1))  # ARIMA(1,1,1)
summary(arima_model)

এখানে, order = c(1, 1, 1) মানে আমরা একটি ARIMA(1,1,1) মডেল তৈরি করেছি, যেখানে:

• p = 1 (AR(1) অংশ)
• d = 1 (একটি ইন্টিগ্রেশন)
• q = 1 (MA(1) অংশ)

Difference Between AR, MA, and ARIMA

Plotting Time Series and Diagnostics

1. Time Series Plot:

   plot(AirPassengers)

2. ACF (Autocorrelation Function) and PACF (Partial Autocorrelation Function):
   • ACF: ডেটার মধ্যে ল্যাগের সাথে সম্পর্ক বোঝায়।
   • PACF: নির্দিষ্ট ল্যাগের জন্য সম্পর্ক বোঝায়, তবে পূর্ববর্তী ল্যাগগুলির প্রভাব বাদ দিয়ে।

acf(AirPassengers)
pacf(AirPassengers)

3. Residual Analysis:
   ARIMA মডেলটিতে রেসিডুয়াল (অবশিষ্ট ত্রুটি) চেক করা গুরুত্বপূর্ণ।

   residuals <- residuals(arima_model)
   plot(residuals)

AR, MA, and ARIMA Models Conclusion

• AR (Autoregressive) মডেলটি পূর্ববর্তী সময়ের মানের উপর ভিত্তি করে ভবিষ্যত মান প্রেডিক্ট করে।
• MA (Moving Average) মডেলটি পূর্ববর্তী ত্রুটির ভিত্তিতে ভবিষ্যত মান প্রেডিক্ট করে।
• ARIMA মডেলটি AR এবং MA মডেল দুটো একত্রিত করে এবং ট্রেন্ড বা সিজনালিটি সরানোর জন্য integration প্রক্রিয়া ব্যবহার করে।

R এ এই মডেলগুলি তৈরি করতে arima() ফাংশন ব্যবহৃত হয়, এবং এগুলোর মূল্যায়ন ও ফলাফল বিশ্লেষণের জন্য অ্যানালাইসিস পদ্ধতি রয়েছে।