Page 1 of 1
[통계] 자기상관
이름
*
자기 상관 함수(ACF, Autocorrelation Function)에 대한 설명으로 가장 올바른 것은 무엇인가요?
*
자기 상관 함수(ACF, Autocorrelation Function)에 대한 설명으로 가장 올바른 것은 무엇인가요?
A
서로 다른 두 시계열 간의 상관관계를 나타낸다.
B
시계열 데이터의 특정 시점 값과 그 이전 시점들의 값 사이의 상관관계를 나타낸다.
C
시계열 데이터의 평균과 분산을 시간의 흐름에 따라 보여준다.
D
데이터의 빈도수 분포를 시각화하는 데 사용된다.
ACF 플롯에서 하늘색 음영 영역이 의미하는 것은 무엇인가요?
*
ACF 플롯에서 하늘색 음영 영역이 의미하는 것은 무엇인가요?
A
상관계수의 신뢰 구간 또는 오차 범위
B
계절적 변동의 강도
C
추세의 기울기
D
데이터의 이상치 영역
시계열 데이터에 차분(Differencing)을 적용하는 주된 이유로 가장 적절한 것은 무엇인가요?
*
시계열 데이터에 차분(Differencing)을 적용하는 주된 이유로 가장 적절한 것은 무엇인가요?
A
데이터의 계절성을 더욱 강화하기 위해
B
시계열에서 추세를 제거하거나 정상(stationary) 시계열로 변환하기 위해
C
데이터의 전체 평균값을 높이기 위해
D
자기 상관을 항상 양수로 만들기 위해
월별 기온 데이터의 ACF 플롯에서 12개월 시차(lag)에서 강한 양의 상관관계가 나타났다면, 이는 무엇을 의미할 가능성이 높은가요?
*
월별 기온 데이터의 ACF 플롯에서 12개월 시차(lag)에서 강한 양의 상관관계가 나타났다면, 이는 무엇을 의미할 가능성이 높은가요?
A
데이터에 12개월 주기의 계절성이 존재한다.
B
데이터가 12개월마다 무작위로 변동한다.
C
데이터에 강한 하락 추세가 존재한다.
D
6개월마다 반대되는 패턴이 나타난다.
"전년 동월 대비" 변화를 확인하기 위해 월별 데이터에 적용할 수 있는 차분 방법은 무엇인가요?
*
"전년 동월 대비" 변화를 확인하기 위해 월별 데이터에 적용할 수 있는 차분 방법은 무엇인가요?
A
1차 차분 (1개월 간격 차분)
B
6개월 간격 계절성 차분
C
12개월 간격 계절성 차분
D
2차 차분 (1차 차분을 두 번 적용)
시계열 분해 후 얻은 나머지 성분의 ACF 플롯에서 대부분의 시차에서 자기 상관이 거의 나타나지 않는다면(오차 범위 내에 있다면), 이는 무엇을 시사하나요?
*
시계열 분해 후 얻은 나머지 성분의 ACF 플롯에서 대부분의 시차에서 자기 상관이 거의 나타나지 않는다면(오차 범위 내에 있다면), 이는 무엇을 시사하나요?
A
원본 데이터에 추세와 계절성이 제대로 분해되지 않았다.
B
나머지 성분에 여전히 강한 예측 가능한 패턴이 남아있다.
C
추세와 계절성이 잘 제거되어 나머지 성분이 백색 잡음(white noise)에 가깝다.
D
계절성 조정이 과도하게 이루어졌다.
계절적으로 조정된(seasonally adjusted) 데이터의 ACF 플롯에 대한 설명으로 옳은 것은 무엇인가요?
*
계절적으로 조정된(seasonally adjusted) 데이터의 ACF 플롯에 대한 설명으로 옳은 것은 무엇인가요?
A
원본 데이터의 ACF와 항상 동일한 패턴을 보인다.
B
계절성에 의한 주기적인 패턴이 원본 데이터보다 약화되거나 사라진 형태로 나타난다.
C
항상 모든 시차에서 0에 가까운 값을 가진다.
D
모든 자기 상관이 사라진 형태로 나타난다
Submit