이동통계량

어떤 달에는 주문이 크게 늘고, 다음 달에는 다시 줄어듭니다. 이렇게 오르내리는 수치만 보고 매출이 성장하고 있는지 판단할 수 있을까요? 최근 들어 변동이 커졌는지도 알 수 있을까요?

시계열 자료에는 장기적인 변화와 단기적인 흔들림이 섞여 있습니다. 전체 평균 하나만 보면 변화가 시작된 시점이나 최근의 상황을 놓치기 쉽습니다.

이동통계량은 최근 일정 기간의 데이터만 골라 평균이나 표준편차를 계산하고, 그 구간을 시간에 따라 옮기면서 변화를 살펴보는 방법입니다. 관측값의 흐름을 부드럽게 살펴보거나 최근의 흩어짐을 비교할 때 유용합니다.

이번 가이드에서는 온라인 쇼핑몰의 월별 주문 수를 예제로 이동평균과 이동표준편차의 원리, 창 길이에 따른 차이, 그래프와 결과표를 읽는 방법까지 차례로 살펴보겠습니다.

매달 한 번씩 평균을 계산한다고 생각해 보겠습니다. 3월에는 1~3월, 4월에는 2~4월, 5월에는 3~5월의 값을 사용합니다. 이렇게 일정한 구간(window)을 한 시점씩 이동시키면서 계산한 통계량을 이동통계량이라고 합니다.

가장 많이 사용하는 것은 이동평균과 이동표준편차입니다. 이동평균은 단기적인 출렁임을 완화해 전반적인 방향을 파악하게 하고, 이동표준편차는 최근 값들이 얼마나 크게 변하는지 보여줍니다.

3년간 주문량의 평균만 계산하면 초기의 낮은 주문량과 최근의 높은 주문량이 하나의 숫자로 합쳐집니다. 반면 이동평균을 보면 특정 시점에 수준이 올라갔는지, 상승 흐름이 이어지는지를 확인할 수 있습니다.

이동표준편차는 평균이 비슷한 두 기간이라도 어느 기간이 더 불안정했는지 보여줍니다. 단, 이는 기술적인 요약일 뿐 통계적 유의성이나 변동 원인을 자동으로 알려주지는 않습니다.

3개월 후행 이동평균

3월의 이동평균은 1·2·3월 주문 수의 평균이고, 4월의 이동평균은 2·3·4월 주문 수의 평균입니다. 일반적으로 후행 이동평균은 현재와 과거 관측값만 사용합니다.

이동표준편차

같은 창 안의 값들이 평균에서 얼마나 떨어져 있는지를 계산합니다. 이 가이드는 각 창의 표본표준편차(ddof = 1)를 사용합니다. 3개월 창에서는 유효 관측값이 세 개 모여야 첫 결과가 나옵니다.

한 온라인 쇼핑몰에서 2023년 1월부터 2025년 12월까지 매월 주문 수를 기록했다고 가정하겠습니다. 월별 주문 수는 매끄럽게 증가하지 않습니다. 휴가철이나 연말처럼 평소보다 주문이 많거나 적은 달이 섞여 있습니다.

먼저 월별 주문 수를 원계열로 놓고, 최근 3개월의 이동평균과 이동표준편차를 계산합니다. 자료는 원리를 설명하기 위해 만든 가상의 월별 데이터입니다.

회색 선은 실제 월별 주문 수, 파란 선은 3개월 이동평균입니다. 파란 선은 개별 월의 급격한 상승과 하락을 완화하지만, 어느 달의 증가가 실제로 먼저 시작됐는지까지 직접 알려주지는 않습니다.

이동평균은 과거 관측값을 포함하므로 방향 전환이 일어난 뒤에야 변화가 뚜렷하게 나타날 수 있습니다. 평균선의 지연을 고려해 원계열도 함께 확인해야 합니다.

이동표준편차가 커졌다면 그 구간의 값들이 서로 더 멀리 떨어져 있었다는 뜻입니다. 다만 주문 수가 빠르게 상승하는 구간에서도 표준편차는 커질 수 있습니다. 따라서 이를 바로 ‘위험 증가’나 ‘불확실성 증가’라고 단정하면 안 됩니다.

수준 자체가 크게 달라지는 시계열에서는 이동표준편차와 함께 변화율의 표준편차 또는 변동계수 등도 검토할 수 있습니다. 목적에 따라 무엇의 변동성을 측정하는지 먼저 정해야 합니다.

3개월 이동평균은 상대적으로 최근 변화에 민감합니다. 6개월 이동평균은 더 많은 달을 한꺼번에 평균하므로 단기 등락을 더 강하게 완화합니다. 어느 쪽이 ‘더 정확하다’고 단정할 수는 없습니다.

상품 판매가 월별로 크게 바뀌는지 확인하려면 짧은 창이 유용할 수 있고, 반년 정도의 완만한 흐름을 보려면 긴 창이 더 읽기 편할 수 있습니다. 창 길이는 분석 질문과 관측 주기에 맞춰 정해야 합니다.

2025년 12월의 3개월 이동평균은 10~12월 값으로, 6개월 이동평균은 7~12월 값으로 계산한 결과입니다. 평균의 차이는 계산 오류가 아니라 포함한 관측 기간이 다르기 때문입니다.

처음 두 달에는 3개월 이동통계량이 없고, 처음 다섯 달에는 6개월 이동통계량이 없습니다. 임의로 0을 채우면 그래프와 요약값이 왜곡됩니다.

이동평균선이 상승한다고 해서 앞으로도 반드시 상승하는 것은 아닙니다. 미래 값을 예측하려면 시계열의 자기상관과 계절성 등을 반영한 별도 모형이 필요할 수 있습니다.

시간 간격과 정렬

월별 자료라면 월마다 한 행이 있는지, 날짜 순서가 올바른지 확인합니다. 빠진 달이 있는데 단순히 앞뒤 두 행을 이웃 달로 처리하면 ‘3개월’ 창의 의미가 달라집니다.

결측값과 최소 관측 수

결측이 포함된 창에서 계산을 중단할지, 일부 값으로 계산할지 결정해야 합니다. 표본 수가 달라진 채 계산된 이동표준편차를 무심코 비교하면 오해가 생깁니다.

후행과 중심 이동

현업 모니터링이나 시점별 의사결정에는 미래 관측값을 사용하지 않는 후행 이동통계량이 적합합니다. 중심 이동평균은 시점 앞뒤의 값을 함께 사용하므로 과거 흐름을 설명할 때 유용하지만, 실시간 예측 입력으로 쓰면 미래 정보가 유입될 수 있습니다.

이동평균의 지연: 갑자기 수준이 바뀌어도 평균선에는 변화가 천천히 반영됩니다. 창의 중첩: 이웃 시점의 이동평균은 대부분 같은 관측값을 공유하므로 서로 독립적인 결과가 아닙니다.

경계 구간: 초반에는 결과가 계산되지 않거나 계산 방식에 따라 값이 달라질 수 있습니다. 주기적 패턴: 계절성이 뚜렷하다면 이동평균만으로 원인을 설명하기 어렵습니다. 원계열과 함께 해석하고 필요한 경우 계절분해를 이용합니다.

보고서에는 원계열의 단위, 이동평균과 이동표준편차의 계산 창, 창 정렬, 결측 처리 기준을 밝혀야 합니다. 다음은 위의 가상 예제를 설명한 문장입니다.

실제 분석에서는 결과표의 특정 기간과 수치를 인용해 관찰한 변화를 더 구체적으로 서술할 수 있습니다.

이동통계량은 복잡한 모형을 만들기 전 데이터를 살펴보는 출발점이 될 수 있습니다. 가장 중요한 것은 창을 어떻게 정했는지 밝히고, 평활화된 선과 원래 관측값을 함께 읽는 것입니다.

이동평균은 작은 등락을 완화하고, 이동표준편차는 구간 안의 흔들림을 보여줍니다. 하지만 어떤 창을 사용하느냐에 따라 결과가 달라지므로 숫자만 확인해서는 충분하지 않습니다.

원계열과 이동통계량을 나란히 보고, 창의 길이와 정렬 방식, 결측 처리 기준을 함께 확인해야 시계열의 움직임을 올바르게 읽을 수 있습니다.