Всем привет, с вами Павел Беляев, ведущий канала Тимлидское об аналитике и автор курса «Временные ряды» 👋🏻
Анализировать один временной ряд — это хорошо, а два и более — лучше!
В природе и в бизнесе метрики, как правило, не существуют изолированно — на них что-то влияет, какие-то процессы, факторы, словом, другие метрики. Это сложное взаимодействие разных процессов подводит нас к понятию многомерных временных рядов.
Например, мы анализируем продажи, но на них влияет маркетинговый бюджет. А бюджет, в свою очередь, зависит от продаж прошлого месяца (логично — есть деньги, есть, что вкладывать). Получается замкнутый круг взаимных влияний, и обычная ARIMA тут не поможет — она умеет работать только с одним рядом.
Вот тут на сцену выходит VAR — Vector AutoRegression, векторная авторегрессия.
Идея в том, что каждая переменная в системе объясняется не только своими прошлыми значениями, но и прошлыми значениями всех остальных переменных. Продажи зависят от старых продаж и старого бюджета. Бюджет зависит от старого бюджета и старых продаж. Всё сразу, в одной модели.
Что это даёт на практике:
➖ Совместный прогноз сразу нескольких метрик с учётом их взаимного влияния.
➖ Причинность по Грейнджеру — можем формально проверить, помогает ли история одного ряда предсказывать другой.
➖ Impulse Response Functions — можно смоделировать «шок» в одной переменной и посмотреть, как он расходится по системе во времени. А подсказывает нам, как изменится зависимая, неуправляемая метрика, если мы "подтолкнем" управляемую.
📈 В этом блокноте показано, как выглядит работа с VAR. На выходе мы имеем коэффициенты системы линейных уравнений, где количество уравнений равно количеству метрик в многомерном ряду, а число членов — это число значимых лагов, то есть, предыдущих значений в каждом ряду.
Эти коэффициенты, по сути, объясняют, какой лаг какой метрики влияет на всю систему.
Непривычному взгляду, наверно, покажется сложным. На нашем курсе по временным рядам мы подробно разбираем VAR в теории и на скриптах: как выбрать порядок модели, как проверить стационарность многомерной системы, как интерпретировать результаты и не наступить на грабли ложной причинности.
Хотите научиться видеть не отдельные ряды, а целые системы взаимосвязанных процессов? Присоединяйтесь к курсу «Временные ряды», который стартует уже в субботу, 15 августа:
📌 Узнать больше о курсе «Временные ряды»
📌 Подписаться на бота уведомлений
📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS