Slovník pojmů

Časové řady a předpovídání (ARIMA)

Definice

Časová řada je posloupnost hodnot měřených v čase — měsíční prodeje, denní teplota, spotřeba energie. Analýza časových řad rozkládá řadu na trend, sezónnost a náhodnou složku a předpovídá budoucí hodnoty modely jako exponenciální vyrovnávání (Holt–Winters) nebo ARIMA (Boxova–Jenkinsova metodika).

Regrese a modely

Na rozdíl od běžné regrese jsou pozorování závislá: hodnota dnes souvisí s hodnotou včera (autokorelace). Autokorelační funkce (ACF, PACF) proto slouží k identifikaci modelu ARIMA; před modelováním se často řada diferencuje, aby byla stacionární.

Kvalitu předpovědi ověřujte na odloženém období (holdout) pomocí chyb MAE, MAPE nebo RMSE a vždy uvádějte interval předpovědi — s horizontem se rozšiřuje. Pro řady s mnoha vysvětlujícími vlivy (ceny, počasí, kampaně) kombinujte časové řady s regresí nebo strojovým učením.

V Statistice

Modul Statistiky → Pokročilé lineární/nelineární modely → Časové řady/Předpovídání zahrnuje ARIMA a sezónní ARIMA s ACF/PACF, exponenciální vyrovnávání včetně Holt–Winters, sezónní dekompozici (Census I/II, X-11), spektrální analýzu, transformace a interaktivní grafy řad s předpovědí a intervaly.

Dostupné od edice: Statistica Desktop

Související pojmy

Návody v knowledgebase

Časté otázky

ARIMA, nebo exponenciální vyrovnávání?
Exponenciální vyrovnávání je jednodušší a robustní pro krátkodobé předpovědi se sezónností; ARIMA je pružnější, ale vyžaduje stacionaritu a víc dat (zpravidla 50+ pozorování).
Kolik dat potřebuji na sezónní model?
Alespoň tři až čtyři celé sezónní cykly — u měsíčních dat tedy 3–4 roky.

Vyzkoušejte to na vlastních datech

Statistica na 30 dní zdarma

Plná verze bez platební karty, kompletně v češtině. Nebo si nechte poslat orientační cenu za minutu.

Vyzkoušet 30 dní zdarmaOrientační cena

Regrese a modely

Lineární regreseLogistická regreseNelineární regreseZobecněné lineární modely (GLM)Analýza přežitíVšechny pojmy →

Aktualizováno: září 2026.