시계열 데이터를 다룰 때, 여러 시계열 데이터 간의 상관 관계를 파악하고 이에 따라서 데이터 모델링을 해야 하는 상황이 온다. 시계열 데이터들 간의 상관관계를 분석하는 여러가지 방법을 소개한다.
- 피어슨 상관 계수(Pearson Correlation Coefficient): 두 변수 간의 선형 상관 관계를 측정하는 가장 일반적인 방법. -1에서 1사이의 값을 가진다.
- 스피어만 순위 상관 계수(Spearman Rank Correlation Coefficient): 두 변수 간의 순위 기반의 비선형 상관 관계를 측정한다. 피어슨 상관 계수와 마찬가지로 -1에서 1 사이의 값을 가진다.
- 켄달 타우(Kendall's Tau): 스피어만 상관 계수와 유사하게, 켄달 타우는 두 변수 간의 순위 기반의 비선형 상관 관계를 측정한다. 켄달의 타우는 스피어만 상관 계수보다 계산이 조금 더 복잡하지만, 이상치에 대한 내성이 더 강하다.
- 크로스 코릴레이션(Cross-correlation): 두 시계열 데이터 간의 시차(lag)를 고려한 상관 관계를 분석하는 방법. 시계열 데이터에서 패턴이나 추세가 시간 지연에 따라 상관 관계를 갖는 경우 유용하게 사용할 수 있다.
- 그레인저 인과 검정(Granger Causality Test): 한 시계열이 다른 시계열에 대한 예측력을 가지고 있는지를 검정하는 방법. 이 방법은 두 시계열 간의 인과 관계를 추론하는 데 도움 된다.
