81736_de-DE

liliconcom

Standardisierung der Rohzeitreihen in JMP

Sehr geehrte Damen und Herren, 

 

Ich möchte meine Rohzeitserien mit einer Spline-Funktion von 32 Jahren standardisieren. Wie kann ich in JMP vorgehen?

Außerdem würde ich gerne wissen, wie ich die statistischen Kennzahlen für EPS und Rbar erhalten kann. Im Allgemeinen werden diese Indikatoren üblicherweise in der ARSTAN-Software zur Validierung der Standardisierung verwendet.

 

Grüße, 

Angelo

Re: Standardisierung der Rohzeitreihen in JMP

Angello,

Eine Websuche nach ARSTAN-Software und EPS führt mich zu diesem Link ARSTAN_link welche die Ausgabe anzeigt. Aus dieser und einer anderen Diskussion geht hervor, dass ARSTAN eine spezialisierte Software ist, die dazu verwendet wird, Zusammenhänge von Umweltfaktoren zu finden, die Vegetation, Wachstum oder Stress (Baumringe) usw. beeinflussen können.  Dieser Link ARSTAN_vs_R_dplr vergleicht ARSTAN-Ergebnisse mit dem R-Paket dplr.  Es erklärt, wie sie sich unterscheiden. Der Punkt ist, dass beide Programme dabei helfen, die Daten aus verschiedenen Quellen zu organisieren, um Trends zu ermitteln, sodass Beziehungen hergestellt werden können.

Es ist wahrscheinlich, dass JMP die erforderlichen Analysen durchführen kann, es wird jedoch keine schlüsselfertige Anwendung sein, es sei denn, jemand hat eine JMP-Anwendung geschrieben.  Unten habe ich ein Skript, das helfen könnte, aber nicht perfekt dazu passt. Die Umweltreaktionsdaten weisen typischerweise mehrere Proben pro Zeitabschnitt oder Ort auf.  Das Beispiel, das ich bisher hatte, hat nur einen Wert pro Monat. Das Skript erstellt also ein mehrfaches Muster pro Periodenjahrviertel, verwendet dann eine Gaußsche Anpassung (0,25) und speichert die Vorhersagen und Residuen.

 

Da ich kein Experte auf diesem Gebiet bin, ist dies alles, was ich habe. Ich hoffe, dass es eine Richtung gibt, die untersucht werden kann. Wenn Sie dplr verwendet haben, können Sie mit JMP R-Routinen aufrufen.

 

Plot von Prognostizierten und Residuen

Names Default to Here(1);

dt = Open("$sample_data\time series\steel shipments.jmp");

dt << New Column("YearQtr", numeric, Formula(Col Mean(:Date,Year(:Date), Quarter(:Date))),
  Format("yyyyQq"));

biv = Bivariate(
 Y( :Steel Shipments ),
 X( :YearQtr ),
 Fit Each Value( {Line Color( {66, 112, 221} )} ),
 Kernel Smoother( 1, 4, 0.25, 0 )
);

biv << (curve[2] << Save Predicteds );
biv << (curve[2] << Save Residuals );


biv << (curve[2] << Line Color("Medium Dark Red") );
biv << (curve[2] << Line Width(3) );


gb = dt << Graph Builder(
 Size( 534, 454 ),
 Show Control Panel( 0 ),
 Variables(
  X( :YearQtr ),
  Y( :Residuals Steel Shipments ),
  Y( :Predicted Steel Shipments )
 ),
 Elements(
  Position( 1, 1 ),
  Points(
   X,
   Y,
   Legend( 14 ),
   Summary Statistic( "Mean" ),
   Error Bars( "Range" )
  ),
  Line( X, Y, Legend( 15 ) )
 ),
 Elements(
  Position( 1, 2 ),
  Points( X, Y, Legend( 9 ) ),
  Line( X, Y, Legend( 12 ) )
 ),
 SendToReport(
  Dispatch(
   {},
   "400",
   ScaleBox,
   {Legend Model( 14, Base( 1, 0, 0, Item ID( "Range", 1 ) ) ),
   Legend Model(
    9,
    Base( 0, 0, 0, Item ID( "Predicted Steel Shipments", 1 ) )
   )}
  ),
  Dispatch(
   {},
   "Graph Builder",
   FrameBox,
   {Grid Line Order( 2 ), Reference Line Order( 3 )}
  ),
  Dispatch(
   {},
   "400",
   LegendBox,
   {Legend Position( {14, [-3, -1], 15, [2], 9, [0], 12, [1]} ),
   Position( {-3, -1, 2, 0, 1} )}
  )
 )
);