SARIMA মডেল কী এবং এর Components (Seasonal AR, Seasonal I, Seasonal MA)

SARIMA (Seasonal ARIMA) মডেল একটি উন্নত টাইম সিরিজ মডেল যা ARIMA (AutoRegressive Integrated Moving Average) মডেলের মৌলিক ধারণাকে ব্যবহার করে, তবে এটি সিজনাল (ঋতুবদ্ধ) বৈশিষ্ট্য এবং ট্রেন্ড বিশ্লেষণ করতে সক্ষম। SARIMA মডেলটি বিশেষভাবে এমন টাইম সিরিজ ডেটার জন্য উপযোগী, যেখানে সিজনাল প্যাটার্ন বা ঋতুবদ্ধ পরিবর্তনগুলি বিদ্যমান থাকে।

SARIMA মডেলটি মূলত তিনটি অংশের সমন্বয়ে গঠিত:

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

এই অংশগুলির মাধ্যমে টাইম সিরিজের সিজনাল প্রবণতা এবং ট্রেন্ড চিহ্নিত করা হয় এবং ভবিষ্যত পূর্বাভাস তৈরি করা হয়।

SARIMA মডেলের গঠন (গাণিতিক ফর্ম)

SARIMA মডেলটি সাধারণত নিচের মতো একটি গাণিতিক ফর্মে প্রকাশ করা হয়:

$$\phi_p (B) \cdot \phi_{P}(B^s) \cdot (1 - B)^d (1 - B^s)^D Y_t = \theta_q (B) \cdot \theta_Q (B^s) \cdot \epsilon_t$$

এখানে:

• $Y_t$ হল বর্তমান পর্যবেক্ষণ।
• $B$ হল বীজগণিতিক অপারেটর।
• $p, d, q$ হল সাধারণ ARIMA প্যারামিটার।
• $P, D, Q$ হল সিজনাল AR, I, MA প্যারামিটার।
• $s$ হল সিজনাল পিরিয়ড (যেমন: 12 মাসে একবার সিজনালিটি, সেক্ষেত্রে $s = 12$)।

এছাড়া, $\epsilon_t$ হল হোয়াইট নয়েজ বা ত্রুটি টার্ম।

SARIMA মডেলের Components:

SARIMA মডেলটি মূলত তিনটি প্রধান কম্পোনেন্টে বিভক্ত হয়: Seasonal AR (Autoregressive), Seasonal I (Integrated), এবং Seasonal MA (Moving Average)।

১. Seasonal AR (Seasonal Autoregressive)

বর্ণনা: Seasonal AR অংশটি টাইম সিরিজের পূর্ববর্তী সিজনাল মানের ওপর ভিত্তি করে বর্তমান মানের পূর্বাভাস দেয়। এটি পূর্ববর্তী সময়ের সিজনাল পর্যবেক্ষণের সম্পর্ক বিশ্লেষণ করে।

ফর্ম:

$$\phi_P (B^s) Y_t = \text{Seasonal AR term}$$

এখানে $B^s$ সিজনাল শিফট অপারেটর (lag operator) এবং $\phi_P$ সিজনাল AR প্যারামিটার।

ব্যবহার:

• সিজনাল প্যাটার্নের সাথে সম্পর্কিত পূর্ববর্তী পর্যবেক্ষণগুলির ওপর ভিত্তি করে ভবিষ্যতের মান অনুমান করা।

উদাহরণ: মাসিক বিক্রয় ডেটায়, এক মাসের বিক্রয় পূর্ববর্তী বছরের একই মাসের বিক্রয়ের উপর প্রভাবিত হতে পারে।

২. Seasonal I (Seasonal Integrated)

বর্ণনা: Seasonal I অংশটি সিজনাল ট্রেন্ডের পরিবর্তন বা উন্নতি দূর করতে ব্যবহৃত হয়। এটি সিজনাল পার্থক্য (seasonal differencing) কৌশল ব্যবহার করে। Seasonal I মূলত সিজনাল ট্রেন্ড বা প্যাটার্ন সরানোর জন্য ব্যবহৃত হয়।

ফর্ম:

$$(1 - B^s)^D Y_t = \text{Seasonal differencing term}$$

এখানে $(1 - B^s)^D$ সিজনাল ইন্টিগ্রেশন (seasonal integration) অপারেটর, যা সিজনাল পার্থক্য বের করতে ব্যবহৃত হয়।

ব্যবহার:

• সিজনাল ট্রেন্ড বা প্যাটার্ন সরানোর জন্য।
• ডেটার গড় এবং ভ্যারিয়েন্সকে স্টেশনারি (stationary) করতে।

উদাহরণ: একটি দেশের মাসিক জিডিপি পরিসংখ্যান যদি ঋতুবদ্ধ বৃদ্ধি দেখায়, তবে সিজনাল ইন্টিগ্রেশন এর মাধ্যমে এই ট্রেন্ড সরানো যেতে পারে।

৩. Seasonal MA (Seasonal Moving Average)

বর্ণনা: Seasonal MA অংশটি টাইম সিরিজের পূর্ববর্তী সিজনাল ত্রুটি বা হোয়াইট নয়েজের উপর ভিত্তি করে বর্তমান মানের পূর্বাভাস দেয়। এটি সিজনাল পার্থক্য বা ত্রুটি ধরা এবং সেটি ব্যবহার করে ভবিষ্যতের পূর্বাভাস তৈরি করে।

ফর্ম:

$$\theta_Q (B^s) \epsilon_t = \text{Seasonal MA term}$$

এখানে $\theta_Q$ সিজনাল MA প্যারামিটার এবং $B^s$ সিজনাল শিফট অপারেটর।

ব্যবহার:

• পূর্ববর্তী সিজনাল ত্রুটি বা হোয়াইট নয়েজের ভিত্তিতে ভবিষ্যতের মানের পূর্বাভাস করা।

উদাহরণ: মাসিক বিক্রয় ডেটাতে একটি নির্দিষ্ট মাসে ব্যতিক্রমী বিক্রয় হলে, সিজনাল MA প্যারামিটার সেটি ব্যাখ্যা করতে পারে।

SARIMA মডেলের সুবিধা

• সিজনাল প্যাটার্ন বিশ্লেষণ: SARIMA টাইম সিরিজে সিজনাল প্যাটার্ন শনাক্ত করতে সক্ষম, যা সাধারণ ARIMA মডেল করতে পারে না।
• লম্বা সময়কাল বিশ্লেষণ: সিজনাল উপাদান বিশ্লেষণ করা হয় এবং তার উপর ভিত্তি করে ভবিষ্যতের পূর্বাভাস তৈরি করা হয়।
• অনুকূল ভবিষ্যৎ পূর্বাভাস: সিজনাল প্রবণতা এবং ট্রেন্ডের সাথে সম্পর্কিত ভবিষ্যতের মান সঠিকভাবে অনুমান করা সম্ভব।

সারাংশ

SARIMA মডেল হল ARIMA মডেলের একটি উন্নত সংস্করণ যা সিজনাল (ঋতুবদ্ধ) বৈশিষ্ট্যসমূহ বিশ্লেষণ করতে সক্ষম। এটি সিজনাল AR (AutoRegressive), Seasonal I (Integrated), এবং Seasonal MA (Moving Average) উপাদানগুলির সমন্বয়ে গঠিত। SARIMA টাইম সিরিজ ডেটার সিজনাল প্রবণতা, ট্রেন্ড এবং হোয়াইট নয়েজ বিশ্লেষণ করে ভবিষ্যতের পূর্বাভাস তৈরি করতে সহায়ক।