시계열 분석 (Time Series Analysis)

한 줄 정의: 시계열 분석은 시간 순서대로 관측된 데이터에서 추세, 계절성, 반복 패턴을 찾아내 과거를 설명하고 미래를 예측하는 통계 방법입니다.

쉽게 풀면

매달 전기 요금 고지서를 쭉 늘어놓고 보면 여름과 겨울에 유독 높고 봄가을엔 낮은 패턴이 보일 것입니다. 이렇게 "시간 순서"가 중요한 의미를 갖는 데이터를 다루는 것이 시계열 분석입니다. 일반적인 통계 분석은 데이터의 순서를 섞어도 결과가 같지만, 시계열 데이터는 어제 값이 오늘 값에 영향을 주는 경우가 많아서 순서를 함부로 바꾸면 안 됩니다. 시계열 분석에서는 데이터를 크게 세 가지로 뜯어봅니다. 시간이 지나며 꾸준히 오르내리는 "추세", 매년 여름마다 반복되는 것 같은 "계절성", 그리고 이 두 가지로는 설명이 안 되는 "불규칙한 변동"입니다. 이렇게 패턴을 분리해내면 다음 달 매출이나 내년 기온처럼 미래의 값을 좀 더 근거 있게 예측할 수 있습니다.

왜 중요한가

시계열 분석은 경제 지표, 기후 데이터, 주가, 생체 신호처럼 시간 순서 자체가 정보를 담고 있는 데이터를 다루는 거의 모든 분야에서 예측과 원인 분석의 기본 도구로 쓰입니다. 정책 효과를 시간 흐름 속에서 평가하거나, 미래 자원 배분을 계획하거나, 이상 징후를 조기에 감지하는 등 실무적 의사결정과 직결되기 때문에 다양한 학문에서 방법론의 핵심으로 다뤄집니다.

논문에서는 이렇게 쓰입니다

"본 연구는 ARIMA 모형을 이용한 시계열 분석을 통해 월별 관광객 수요의 계절적 변동을 예측하였다."

이 문장은 과거 몇 년치 관광객 수 데이터의 시간적 흐름과 계절 패턴을 통계 모형으로 분석해, 앞으로의 수요를 수치로 전망했다는 뜻입니다.

"환자의 연속 심박수 데이터를 시계열 분석하여 특정 시점 이후 이상 심박 패턴이 유의하게 증가함을 확인하였다."

일정 기간 동안 계속 측정한 심박수 기록을 시간 순서대로 분석해, 특정 시점을 기점으로 비정상적인 패턴이 눈에 띄게 늘어났다는 것을 통계적으로 확인했다는 뜻입니다.

"정책 시행 전후의 실업률 시계열 분석을 통해 개입 시점 이후 구조적 변화가 발생했음을 검정하였다."

어떤 정책이 시행되기 전과 후의 실업률 데이터를 시간 흐름에 따라 비교 분석해서, 정책 시행 이후 데이터의 흐름 자체가 달라졌는지를 통계적으로 검증했다는 뜻입니다.

조금 더 깊게 보면

시계열 분석에서는 데이터가 시간이 지나도 평균과 분산 같은 통계적 성질이 일정하게 유지되는지를 나타내는 정상성(stationarity)이 중요한 전제로 다뤄지며, 정상성이 확인되지 않으면 차분(differencing) 같은 전처리를 거쳐 분석하는 경우가 많습니다. 또한 ARIMA 외에도 계절성을 별도로 다루는 SARIMA, 여러 변수 간의 상호작용을 함께 보는 벡터자기회귀(VAR), 최근에는 딥러닝 기반의 순환신경망이나 트랜스포머 계열 모형도 시계열 예측에 활용되고 있습니다.

주의할 점

시계열 분석에서 나온 예측값은 "패턴이 앞으로도 유지된다"는 전제 위에 서 있습니다. 갑작스러운 사회적 사건이나 정책 변화처럼 과거 데이터에 없던 충격이 발생하면 예측이 크게 빗나갈 수 있습니다. 표본이 충분치 않을 때 예측의 불확실성을 가늠하는 방법으로 부트스트랩 기법이 함께 쓰이기도 합니다.