VAR — математическая взаимосвязь рядов
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.
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
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