AR·MA·ACF·PACF 차이 총정리｜빅데이터분석기사·ADsP

ARIMA·AR·MA·ACF·PACF는 빅데이터분석기사 필기 3과목과 ADsP 3과목에서 함께 다루는 시계열 공통 핵심입니다. 용어를 따로 외우기보다 “현재 값이 과거 값의 영향을 받는가, 과거 오차의 영향을 받는가”부터 구분하면 모델 식별의 흐름이 보입니다.

최종 확인: 2026년 8월 28일. 실제 시험의 세부 출제 범위와 시행 공고는 데이터자격시험 공식 사이트에서 응시 회차별로 확인하세요. 이 글은 공개된 범위의 개념 학습 자료이며, 비공개 시험문항을 복원하거나 공유하지 않습니다.

시계열 모델 전에 정상성부터 확인한다

시계열은 시간 순서가 있는 관측값입니다. ARMA 계열의 기본 해석에서는 평균과 분산, 공분산 구조가 시간에 따라 크게 변하지 않는 정상성을 중요한 출발점으로 봅니다. 추세나 계절성이 뚜렷하면 원자료에 바로 모델을 맞추기보다 차분, 변환, 계절 조정을 통해 구조를 먼저 살핍니다.

관찰된 패턴	먼저 떠올릴 처리	주의할 점
시간에 따라 평균이 꾸준히 상승·하락	차분 또는 추세 제거	추세와 장기 자기상관을 혼동하지 않기
일정 주기로 반복되는 변동	계절 차분·계절항 검토	계절성과 단순 주기성을 구분
분산이 커지거나 작아짐	로그 등 분산 안정화 변환 검토	0·음수 자료에는 변환 조건 확인

AR과 MA의 차이: 값의 기억 vs 오차의 기억

AR(p), 자기회귀 모형은 현재 값이 자신의 과거 값들에 의해 설명된다는 관점입니다. 반면 MA(q), 이동평균 모형은 현재 값이 과거의 오차항 충격에 의해 설명된다는 관점입니다. 여기서 MA는 단순 이동평균으로 데이터를 매끈하게 만드는 기법과 다른 의미로 쓰일 수 있으므로 문맥을 확인해야 합니다.

모형	핵심 질문	직관	대표 표기
AR(p)	과거 관측값이 현재에 영향을 주는가?	지난달 수요가 이번 달 수요에 이어짐	Xₜ = 과거 X의 선형결합 + 오차
MA(q)	과거 예측오차가 현재에 영향을 주는가?	예상 밖 충격의 여파가 몇 기간 지속	Xₜ = 과거 오차의 선형결합 + 현재 오차
ARMA(p,q)	두 구조가 모두 필요한가?	값의 관성과 충격의 여파를 함께 반영	AR + MA
ARIMA(p,d,q)	정상성을 위해 차분이 필요한가?	d번 차분 후 ARMA를 적용	ARMA + 차분

ACF와 PACF를 읽는 가장 안전한 방법

ACF는 시차가 다른 두 값 사이의 전체 자기상관을 봅니다. PACF는 중간 시차의 영향을 제거한 뒤 남는 ‘직접’ 관계를 봅니다. 문제에서는 둘 중 어느 그래프가 절단되거나 점차 감소하는지로 AR·MA 후보를 묻는 경우가 많습니다.

후보 모형	ACF 전형적 모습	PACF 전형적 모습
AR(p)	점차 감소 또는 진동하며 감소	p시차 부근에서 절단
MA(q)	q시차 부근에서 절단	점차 감소 또는 진동하며 감소
ARMA(p,q)	점차 감소	점차 감소

이 표는 정상 시계열에서의 모델 식별을 위한 전형적 힌트입니다. 실제 데이터에서는 표본 크기, 계절성, 구조 변화 때문에 그래프가 교과서처럼 선명하지 않을 수 있습니다. 따라서 후보 모형을 세운 뒤 잔차가 백색잡음에 가까운지, 예측 성능이 어떤지까지 확인하는 흐름이 완성입니다.

문제 풀이 순서: 차분 → 그래프 → 잔차

1. 자료의 추세와 계절성을 보고 정상성 문제가 있는지 확인합니다.
2. 필요하면 차분 횟수 d를 생각합니다. 차분은 필요한 만큼만 적용해 과차분을 피합니다.
3. ACF와 PACF의 절단·감소 패턴으로 p, q 후보를 세웁니다.
4. 모델 적합 뒤 잔차의 자기상관이 남는지 확인합니다. 남는 구조가 있으면 아직 설명하지 못한 정보가 있다는 신호입니다.

ARIMA(p,d,q)의 숫자를 실제로 읽는 법

기호	의미	주로 보는 근거
p	AR 항의 차수	차분 후 PACF가 유의하게 절단되는 시차
d	일반 차분 횟수	추세·정상성 진단과 차분 결과
q	MA 항의 차수	차분 후 ACF가 유의하게 절단되는 시차

예를 들어 원자료에 추세가 있어 1차 차분했고, 차분 자료의 PACF가 lag 2 이후 급격히 약해지는 반면 ACF는 서서히 감소한다면 ARIMA(2,1,0)를 우선 후보로 생각할 수 있습니다. 이것은 확정 답이 아니라 후보 식별입니다. AIC·BIC 같은 정보기준, 예측 오차, 잔차 진단을 함께 비교해 최종 모형을 정합니다.

정상성 검정: ADF와 KPSS는 귀무가설이 반대다

검정	귀무가설 H₀	p-value가 작을 때
ADF	단위근이 있어 비정상이다	H₀ 기각 → 정상성 근거
KPSS	정상이다	H₀ 기각 → 비정상성 근거

그래프와 검정이 항상 같은 결론을 주는 것은 아닙니다. 추세·계절성·구조 변화와 표본 크기를 함께 보고, 필요하면 변환과 차분 후 다시 확인합니다. ADF와 KPSS의 귀무가설 방향을 바꿔 외우는 실수가 특히 잦습니다.

계절성이 있으면 SARIMA까지 연결한다

월별 자료의 12개월 주기처럼 계절성이 반복되면 비계절 ARIMA만으로는 구조를 충분히 설명하기 어려울 수 있습니다. SARIMA(p,d,q)(P,D,Q)_s는 일반 AR·차분·MA 항에 계절 AR·계절 차분·계절 MA 항을 더합니다. 계절 주기가 s=12라면 ACF·PACF의 12, 24 같은 계절 시차도 함께 확인합니다.

모델 적합 뒤에는 잔차가 백색잡음인지 확인

좋은 후보 모형은 잔차의 평균이 0에 가깝고, 분산이 안정적이며, 유의한 자기상관이 남지 않아야 합니다. 잔차 ACF와 Ljung–Box 검정에서 자기상관이 남는다면 p·q 또는 계절 구조가 부족할 수 있습니다. 여러 후보의 AIC·BIC가 작다고 해서 잔차 진단을 생략하지 않습니다.

Python·R에서 ACF/PACF 그래프 확인하기

# Python: statsmodels
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(series.dropna(), lags=24)
plot_pacf(series.dropna(), lags=24, method="ywm")

# R
acf(series)
pacf(series)

그래프의 점선 신뢰구간을 벗어난 막대는 해당 시차의 자기상관이 유의할 가능성을 보여 줍니다. 다만 여러 시차를 동시에 살피는 탐색 도구이므로 막대 하나만 보고 차수를 확정하지 말고, 전체 감쇠 패턴과 잔차를 함께 해석하세요.

자주 틀리는 비교 4가지

• ACF와 PACF: ACF는 전체 관계, PACF는 중간 시차를 통제한 직접 관계입니다.
• MA 모형과 이동평균: 하나는 오차항 기반 확률모형, 다른 하나는 평활 기법일 수 있습니다.
• 차분과 계절 차분: 일반 차분은 인접 시점, 계절 차분은 계절 주기만큼 떨어진 시점을 비교합니다.
• 정상성과 백색잡음: 백색잡음은 보통 자기상관이 없는 특별한 정상 시계열이며, 모든 정상 시계열이 백색잡음인 것은 아닙니다.

3과목 과락 방어와 연결: 시계열 외에 회귀·분류·앙상블까지 한 흐름으로 복습하려면 3과목 과락 방어 가이드를 사용하세요. 가설검정이 약하다면 p-value·1종·2종 오류 정리를 먼저 읽으면 2과목 연결도 자연스럽습니다.

자주 묻는 질문

다음 복습: 회귀모형이 과적합될 때의 해법은 Ridge·Lasso·Elastic Net 정리에서 이어서 확인하세요.