ARIMA 모형 (ARIMA model)

한 줄 정의: 과거 데이터의 패턴(추세, 반복되는 흐름, 오차의 영향)을 이용해 미래 값을 예측하는 대표적인 시계열 예측 모형입니다.

쉽게 풀면

매달 매출액을 기록해온 회사가 있다고 해봅시다. 내년 매출을 예측하려면 "최근 값들이 어떻게 움직여왔는지"를 봐야겠죠. ARIMA는 세 가지 요소를 조합합니다. 첫째, AR(자기회귀)은 "어제 값이 오늘 값에 영향을 준다"는 것이고, 둘째, I(누적)는 데이터가 계속 증가하거나 감소하는 추세를 제거해서 안정적인 패턴으로 바꿔주는 과정이며, 셋째, MA(이동평균)는 "예측이 빗나갔던 정도(오차)가 다음 예측에 영향을 준다"는 것입니다. 이 세 가지를 합쳐 과거 패턴만으로 미래를 그럴듯하게 예측하는 것이 ARIMA 모형입니다.

왜 중요한가

시계열 예측은 경제·의료·환경 등 시간에 따라 변하는 데이터를 다루는 거의 모든 분야에서 필요한 작업이며, ARIMA는 그 중에서도 가장 기본적이고 해석이 쉬운 통계적 예측 모형으로 자리 잡고 있습니다. 복잡한 머신러닝 기반 예측 모형들과 비교할 때 성능의 기준선(baseline) 역할을 하는 경우가 많아, 새로운 예측 방법론을 제안하는 논문에서도 비교 대상으로 빠지지 않고 등장합니다. 또한 모형 구조가 상대적으로 단순해 데이터가 적거나 해석 가능성이 중요한 실무 상황에서 여전히 폭넓게 활용됩니다.

논문에서는 이렇게 쓰입니다

"ARIMA(1,1,1) 모형을 적합한 결과, 향후 12개월간 확진자 수는 완만한 감소 추세를 보일 것으로 예측되었다 (AIC=214.3)."

이 문장에서 ARIMA(1,1,1)의 괄호 안 숫자는 각각 AR, 차분(I), MA의 차수를 의미하며, 모형이 과거 데이터의 어떤 패턴을 몇 단계까지 반영했는지를 나타냅니다. AIC 값은 여러 후보 모형 중 어떤 것이 데이터에 더 잘 맞는지 비교하는 데 쓰입니다.

"월별 수출액 시계열에 대해 ARIMA 모형과 계절성을 반영한 SARIMA 모형의 예측 성능을 비교한 결과, SARIMA 모형이 RMSE 기준으로 더 낮은 오차를 보였다."

이 예문은 경제·무역 데이터처럼 계절적으로 반복되는 패턴이 뚜렷한 경우, 기본 ARIMA에 계절성 항을 추가한 SARIMA와 성능을 비교하는 전형적인 방식을 보여줍니다. RMSE는 예측값과 실제값의 오차를 요약한 지표로, 여러 모형의 예측 정확도를 비교할 때 흔히 사용됩니다.

"주가 수익률 데이터의 정상성을 ADF 검정으로 확인한 후, ARIMA 모형을 이용해 단기 변동성을 예측하였다."

금융 시계열 분석에서는 ARIMA를 적용하기 전에 데이터가 정상성을 만족하는지 통계적 검정으로 먼저 확인하는 절차가 관례처럼 뒤따르는데, 이 문장은 그러한 사전 검증 과정이 실제 분석 절차에 어떻게 포함되는지를 보여줍니다.

조금 더 깊게 보면

ARIMA를 실제로 적용할 때는 AR, 차분, MA 각각의 차수(p, d, q)를 얼마로 정할지가 핵심 문제이며, 이는 흔히 자기상관함수(ACF)와 편자기상관함수(PACF) 그래프를 살펴보거나, AIC·BIC 같은 정보기준을 여러 후보 모형에 걸쳐 비교하여 결정합니다. 계절성이 있는 데이터에는 계절 차수를 추가한 SARIMA, 예측 변수를 함께 포함하고 싶을 때는 ARIMAX 같은 확장 모형이 쓰이기도 합니다. 모형을 적합한 뒤에는 잔차(예측 오차)가 더 이상 규칙적인 패턴 없이 무작위에 가까운지를 확인하는 잔차 진단이 뒤따르는데, 이는 모형이 데이터의 패턴을 충분히 설명했는지를 판단하는 근거가 됩니다.

주의할 점

ARIMA는 데이터가 "정상성(stationarity)"을 가진다는 가정, 즉 평균과 분산이 시간에 따라 크게 변하지 않는다는 가정을 전제로 합니다. 추세나 계절성이 강한 원자료는 차분(differencing) 등으로 먼저 안정화해야 하며, 이 과정을 생략하면 예측이 크게 어긋날 수 있습니다. 단순 회귀분석과 달리 ARIMA는 데이터가 시간 순서를 가진다는 점을 명시적으로 활용한다는 점에서 시계열 분석의 대표 기법으로 꼽힙니다.