우리는 단변량 시계열 (univariate time series)에 적용되는 머신러닝 예측 모델에서 시차 관련성 (lag relevance)을 측정하기 위한 모델 불가지론적 (model agnostic) 방법론을 제안합니다. 특히, 우리는 Ghost variables 및 Shapley values 프레임워크와 가산 중요도 측정치 (additive importance measures)를 함께 사용하여, 시차 중요도 값으로서 자기관련성 (auto-relevance) 및 부분 자기관련성 (partial auto-relevance) 함수를 도입하는 시계열 맥락에서 연구를 진행하고 있습니다. 또한, 연합 기반 방법론 (coalition based methods)에서 부재하는 특성 (absent features)을 동일한 모델의 1단계 예측 (one step forecast)으로 대체하는 새로운 방법을 제안합니다. 우리는 다양한 시뮬레이션 및 실제 데이터 사례 하에서 이러한 제안들을 평가합니다. 이러한 결합된 프레임워크 관점은 시계열에 특히 적합합니다. 또한, 우리의 발견을 보여주기 위해 계절성 ARMA (seasonal ARMA) 제품군과 순환 신경망 (recurrent neural networks)에서 추출한 모델들을 사용합니다. 우리는 계산된 관련성 측정치들이 거의 모든 사례에서 기대되는 시차 구조 (lag structure)를 성공적으로 입증한다는 것을 발견했습니다.