Una guida completa sui termini di interazione nella previsione delle serie temporali

Guida completa termini interazione previsione serie temporali

Immagine creata con Midjourney

Scopri come migliorare l’adattamento dei tuoi modelli lineari rendendoli più flessibili ai cambiamenti di tendenza

Modellare i dati delle serie temporali può essere sfidante (e affascinante) a causa della sua complessità intrinseca e dell’imprevedibilità. Ad esempio, le tendenze a lungo termine nelle serie temporali possono cambiare drasticamente a causa di determinati eventi. Ricordiamo l’inizio della pandemia globale, quando le aziende come le compagnie aeree o i negozi fisici hanno registrato un rapido calo del numero di clienti e delle vendite. Al contrario, le aziende di e-commerce hanno continuato a operare con minori interruzioni.

I termini di interazione possono aiutare nella modellazione di tali pattern. Essi catturano le complesse relazioni tra le variabili e, di conseguenza, portano a previsioni più accurate.

In questo post esploreremo:

  • Termini di interazione nel contesto delle previsioni delle serie temporali
  • Vantaggi dei termini di interazione nella modellazione delle relazioni complesse
  • Come implementare efficacemente i termini di interazione nei tuoi modelli

Panoramica dei termini di interazione

I termini di interazione ti consentono di indagare se la relazione tra il target e una caratteristica cambia in base al valore di un’altra caratteristica. Per ulteriori dettagli, consulta il mio articolo precedente.

La Figura 1 mostra un diagramma a dispersione che rappresenta la relazione tra i chilometri per litro (target) e il peso di un veicolo (caratteristica). La relazione è piuttosto diversa a seconda del tipo di trasmissione (un’altra caratteristica).

Figura 1. Linee di best fit per il tipo di trasmissione del veicolo, inclusi i termini di interazione

Senza l’utilizzo dei termini di interazione, un modello lineare non sarebbe in grado di catturare una relazione così complessa. In effetti, assegnerebbe lo stesso coefficiente per la caratteristica del peso, indipendentemente dal tipo di trasmissione. La Figura 1 mostra i coefficienti (inclinazione della linea) per la caratteristica del peso, che sono drasticamente diversi per i diversi tipi di trasmissione.

Per superare questa fallacia e rendere il modello lineare più flessibile, possiamo utilizzare i termini di interazione. In…