Zaman Serisi Tahmini (Forecasting)

StatLabseu

TS: Gelecek Tahmini (Forecasting)

Zaman Serisi Gelecek Tahmini ve Belirsizlik Analizi

Bu modül, seçtiğiniz modelin matematiksel yapısını kullanarak henüz gerçekleşmemiş (Out-of-Sample) gelecek dönemleri tahmin eder. Zaman serilerinde gelecek ufku (Horizon) uzadıkça Tahmin Aralığı (Prediction Interval) genişler, yani hata yapma payı ve belirsizlik artar. Bu grafikteki sınırlar Güven Aralığı değil, Tahmin Aralığıdır.

Ortak Oturum Aktif Yükleniyor...

Tahmin İçin Kullanılan Model:

Tahmin Ayarları

Tahmin Ufku (Horizon - Dönem)

Tahmin Aralığı (Prediction Interval)

Tahmin Performans Değerlendirmesi Şu an modelin mevcut hata metrikleri (RMSE, MAE) eğitim verisi (Fitted vs Actual) üzerinden gösterilmektedir.

Tahmin Bekleniyor

Sol panelden tahmin ufkunu seçip "Geleceği Tahmin Et" butonuna basın.

Kısa Vadeli Tahmin Özeti

Son Gerçek Değer-

1. Dönem Tahmini-

Hedef (Ufuk) Dönem Tahmini-

Beklenen Değişim (Trend)-

Gerçek Veri ve Gelecek Tahmin Projeksiyonu

Kırmızı Alan: Modelin ürettiği Tahmin Aralığını (Prediction Interval) gösterir. Gelecek uzaklaştıkça aralık doğal olarak genişler.

Geçmiş Tahmin (Eğitim) Performansı

Modelin mevcut veriyi ne kadar iyi öğrendiğini gösteren hata ölçütleri. Düşük değerler modelin iyi çalıştığını ifade eder.

RMSE: -

MAE: -

MAPE: -

sMAPE: -

Gelecek Değerler Tablosu

Dönem (Zaman)	Nokta Tahmini ($\hat{y}$)	Alt Sınır (Lower)	Üst Sınır (Upper)

Gelecek Senaryosu Yorumu

Ortalama Mutlak Hata (MAE)

Modelin tahminlerinin gerçek değerlerden ortalama ne kadar saptığını (mutlak değer olarak) gösterir.

$$ MAE = \frac{1}{n}\sum_{t=1}^{n}|y_t - \hat{y}_t| $$

Kök Ortalama Kare Hata (RMSE)

Hataların karesi alındığı için, modelin yaptığı büyük hataları MAE'ye kıyasla daha fazla cezalandırır.

$$ RMSE = \sqrt{\frac{1}{n}\sum_{t=1}^{n}(y_t - \hat{y}_t)^2} $$

Yüzde Hatalar (MAPE ve sMAPE)

Hatanın oransal ifadesidir. MAPE gerçek değer $0$ olduğunda hesaplanamaz, bu yüzden simetrik (sMAPE) tercih edilebilir.

$$ MAPE = \frac{100\%}{n}\sum_{t=1}^{n} \left|\frac{y_t - \hat{y}_t}{y_t}\right| $$

$$ sMAPE = \frac{100\%}{n}\sum_{t=1}^{n} \frac{|y_t - \hat{y}_t|}{(|y_t| + |\hat{y}_t|)/2} $$

Geçerli Bir Model Bulunamadı