Simulation de données pour générer un ensemble de données plus important pour la construction de modèlesChère communauté JMP,
J'essaie de trouver un moyen de générer des données simulées pour mieux entraîner un modèle que je construis.
J'ai un ensemble de données de taille décente - quelques milliers de points de données, mais j'aimerais générer des données simulées qui conservent une structure similaire à celle des données d'origine afin d'améliorer le modèle. J'aimerais avoir environ 20 000 à 50 000 points de données avec une structure similaire afin de disposer d'un ensemble plus large pour entraîner, valider et tester le modèle de prédiction.
Juste à des fins visuelles, les données ressemblent à ceci :
J'ai essayé de travailler avec la fonctionnalité "Simulator" de la plateforme Profiler, mais les données qui y sont générées ne conservent pas une structure (variation) similaire à celle des données d'origine - elles sont trop "lavées" avec la norme. écarts par rapport aux entrées et à la réponse. Lorsque j'essaie de créer un modèle à partir de cet ensemble et de le comparer au modèle d'origine à partir des données sources, le modèle d'origine le surpasse car ce modèle conserve la structure des données dans sa prédiction. Le modèle généré à partir de l'ensemble de données simulées ne le fait pas puisque toute la structure est essentiellement perdue.
De plus, la fonctionnalité « Simuler » (clic droit sur une colonne dans une fenêtre de rapport) ne me mène pas vraiment là où je veux non plus.
J'ai fait quelques recherches sur ce que les gens ont fait avec JMP et j'ai trouvé quelques pistes potentielles, mais jusqu'à présent, aucune d'entre elles ne répond vraiment à ce que je recherche.Si quelqu'un a une solution à ce problème ou peut m'indiquer la bonne direction sur la façon de coder, je lui en serais reconnaissant.
Merci
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut @Mark_Bailey et @Peter_Bartell ,
Juste pour fournir quelques commentaires et poursuivre la discussion sur ce sujet, j'ai pu obtenir des données de modèle raisonnables en utilisant la plateforme ARIMA. Il fait un bon travail en recréant un ensemble de données similaire, même s'il n'est pas bon en prévision, mais ce n'est pas grave. L'application de la formule de prédiction de ce modèle fonctionne assez bien avec mon ensemble de données actuel, elle fournit donc une voie à suivre potentiellement utile.
Je ne suis pas convaincu que ce soit finalement la façon dont je souhaite procéder, je souhaite donc le comparer aux autres options de simulation de JMP. Je sais que la simulation stochastique du profileur n'aide pas pour les raisons dont nous avons déjà parlé. De plus, ce n'est pas la meilleure approche pour régler le modèle afin d'améliorer l'ajustement, ce que j'aimerais faire.
Pour ma modélisation spécifique, j'utilise un modèle de forêt bootstrap et j'aimerais l'améliorer en ajustant le modèle. Je l'ai fait en partie avec une table de réglage. Il existe cependant certaines limites à cet égard, notamment en ce qui concerne le nombre d'exécutions que je peux me permettre (en termes de mémoire) dans la table de réglage. J'exécute généralement ma modélisation avec autant d'exécutions dans ma table de réglage que je peux me le permettre. Cela permet de réduire le nombre d'arbres dans la forêt, le nombre de termes échantillonnés par division, les échantillons bootstrap, les divisions minimales par arbre et la taille minimale de division. Cela peut aider à optimiser les paramètres de la plate-forme de modèle pour trouver une solution, mais cela ne signifie pas nécessairement un modèle optimisé basé sur les données dont je dispose.
Lorsque je construis le modèle, je crée une colonne de validation que je divise en un ensemble de formation et de test, stratifié par ma colonne de réponse. Je construis ensuite le modèle sur uniquement les données d'entraînement avec un certain % retenu pour la validation du modèle. Le résultat du modèle dépend de la colonne de validation que je choisis (j'en ai créé plusieurs). Un résultat typique est présenté ci-dessous (désolé, je ne peux pas partager les informations sur les colonnes de réponse ou de facteur). Les détails des spécifications de la forêt boostrap changent en fonction de la manière dont les données de formation et de validation d'origine ont été stratifiées.
Ce qui m'intéresse maintenant, c'est d'ajuster le modèle pour un ajustement amélioré, éventuellement en utilisant l'option de simulation pour une statistique de modèle. Je pourrais le faire en changeant le N pour les ensembles de formation et de validation, ou par RMSE des arbres individuels, etc. Je sais que je ne pourrai pas utiliser cette approche pour modifier les spécifications de la forêt d'amorçage (la table de réglage le fait), mais j'aimerais l'utiliser de manière à pouvoir régler le modèle, par exemple le nombre des échantillons utilisés pour la formation et la validation, ou le nombre de fractionnements, afin de maximiser r ^ 2.
Pour résumer : j'aimerais utiliser une méthode de simulation pour aider à entraîner les données. Je sais que la plate-forme de simulation du profileur ne fonctionne pas, ce qui me laisse avec ARIMA (possible) ou l'option de simulation bootstrap pour une statistique de modèle. Je ne sais pas comment utiliser au mieux cette dernière méthode de simulation pour régler le modèle.
Toutes les idées ou commentaires que vous pourriez avoir sur le réglage des modèles via des simulations seraient appréciés.
Merci d'avance pour votre temps!
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut @GM ,
Merci pour la contribution et la suggestion. Vous avez raison concernant l'objectif visé et la description des données multivariées. L’ordre dans lequel les données sont générées ne semble pas être un bon indicateur. Il existe d'autres propriétés mesurées qui, lorsqu'elles sont utilisées collectivement, fournissent une prédiction raisonnable du « y » que je souhaite modéliser/prédire. La difficulté vient lorsqu’on essaie d’entraîner le modèle pour qu’il soit mieux adapté. J'aimerais le faire en simulant des données, mais cela s'avère plus difficile que prévu.
L'approche MVN réussit certainement mieux à préserver certaines des corrélations multivariées des données que l'option de simulation dans le profileur. Cette option fait simplement une moyenne avec un écart type donné.
Malheureusement, lorsque j'essaie de créer un modèle à l'aide du script MVN et des données générées, ses performances sont bien pires qu'un modèle similaire construit uniquement à partir des données d'origine.
Jusqu'à présent, je trouve que le modèle ARIMA parvient mieux à capturer les fluctuations à court terme des données, ainsi qu'une partie de la structure à plus long terme. Il fait également un mauvais travail en prédisant les prévisions des données, mais ce que je pense, c'est de l'utiliser pour générer de nouvelles données qui sont ajoutées aux données d'origine afin de créer un ensemble de données plus grand, puis de former un modèle avec cet ensemble de données plus grand.
Ce que je pense que je vais essayer maintenant, c'est "Enregistrer les colonnes" du rapport ARIMA, extraire les valeurs prédites, puis les concaténer avec le tableau de données d'origine. Ensuite, j'aimerais randomiser les lignes de la nouvelle table de données et créer un modèle avec cet ensemble de données plus grand. Je suppose qu'une autre option pourrait consister à générer plusieurs colonnes de validation, à exécuter le même modèle avec différentes lignes de validation croisée et à faire la moyenne des modèles résultants.
J’apprécie toutes les contributions à cette discussion. Même si je n'ai pas encore trouvé de solution appropriée, j'apprends beaucoup et je trouve de nouvelles idées à essayer.
Merci!
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlessur la base de la discussion, il semble que vous ayez une variable de résultat que vous souhaitez modéliser avec d'autres variables prédictives, où le temps ou l'ordre dans lequel les données sont générées n'est pas une variable prédictive.Vous souhaiterez peut-être simuler votre matrice NxP (N = lignes, P = variables (y et x)) en utilisant une distribution normale multivariée.Ce lien fournit JSL pour simuler des distributions normales multivariées. http://www.jmp.com/support/notes/36/140.html Vous devez le modifier en fonction de votre matrice de covariance estimée, mais cela devrait fonctionner si vos données suivent une distribution normale multivariée.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut @Mark_Bailey ,
Il pourrait certainement y avoir des lacunes dans les prédicteurs adéquats. Cependant, sur la base des autres analyses que nous avons effectuées, l'ensemble que nous avons semble définitivement mieux adapté que la plupart des autres que nous avons examinés.
En ce qui concerne la complexité et la validation croisée, j'en tiens certainement compte. Je génère une colonne d'entraînement/validation/test pour réduire le risque de surajustement. La modélisation forestière bootstrap génère une formule de prédiction d'arbre de décision plutôt complexe qui est beaucoup plus étendue que, par exemple, les modèles de régression généralisée ou la modélisation de réseau neuronal. Il est également plus performant lorsque l’on compare les modèles entre eux. En règle générale, je constate qu'après avoir exécuté la plate-forme forestière d'amorçage avec une matrice de réglage, il y a de l'ordre de plus de 60 arbres, avec environ 4 termes échantillonnés par division. Le nombre de divisions par terme peut varier, mais se situe souvent entre 1 000 et 3 000.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesTout d’abord, ARIMA et d’autres modèles de séries chronologiques supposent des perturbations à court terme et certaines tendances périodiques ; ils ne conviennent donc pas aux prévisions à long terme.
Le problème du « manque d'ajustement » avec vos modèles actuels (la prévision ne prend pas en compte les excursions extrêmes de la réponse observée) pourrait ne pas être résolu par davantage de données. Il vous manque peut-être suffisamment de prédicteurs. Une solution pour réduire les biais consiste à inclure davantage de termes dans l’expansion de base en utilisant l’ensemble de fonctionnalités actuel. Vous évoquez plusieurs techniques de modélisation mais vous ne dites rien sur la complexité de ces modèles que vous avez explorés. Une complexité plus élevée, avec le risque de surajustement résolu par la validation croisée, pourrait résoudre le problème de biais. L’autre moyen de réduire les biais consiste à rechercher les caractéristiques manquantes qui expliqueraient finalement les écarts par rapport à la réponse observée.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut @Mark_Bailey ,
En fin de compte, j'aimerais construire un modèle solide qui prédit les valeurs futures en fonction des facteurs entrants. J'ai étudié l'ARIMA et le FDE. Je suis d'accord que le FDE n'est probablement pas une approche appropriée. Cependant, je pense que la modélisation ARIMA pourrait fournir une voie permettant de générer de nouvelles données pour entraîner le modèle.
Plusieurs facteurs sont mesurés plus ou moins parallèlement à la réponse. Toutes les mesures utilisent du matériel source, mais une grande quantité est échantillonnée pour pouvoir exécuter les autres mesures.Nous avons identifié un ensemble de facteurs qui ont la capacité prédictive la plus forte. J'ai utilisé ces facteurs et la réponse pour vérifier plusieurs modèles différents en utilisant des méthodes de régression généralisée, un arbre boosté, une forêt boostrap, des réseaux neuronaux et d'autres méthodes de partitionnement. En comparant les modèles, je trouve que la forêt bootstrap donne systématiquement de meilleurs résultats de modélisation que les autres. Je peux améliorer un peu plus ce modèle en retenant les tests et en exécutant le modèle avec une table de réglage pour optimiser les paramètres d'ajustement.
Ce que je trouve néanmoins, c'est que le modèle ne capture pas vraiment les hauts et les bas des données autant que nous le pensons (ou le pourrions). Il capture une partie de la structure, mais il n'est pas très efficace pour obtenir ces hauts et ces bas. Par conséquent, j'aimerais simuler un ensemble de données plus vaste comprenant davantage de ces événements afin de créer un meilleur modèle. Et comme il faut beaucoup de temps pour constituer un ensemble de données de valeurs réelles, la simulation des données pour former un modèle serait utile.
Je pense que la plateforme ARIMA peut être utile à cet égard. Je l'ai testé pour générer des valeurs prédites des facteurs et de la réponse. Cela génère un nouvel ensemble de valeurs pour les facteurs et les réponses qui imitent les données réelles. Je peux ensuite concaténer les données simulées et réelles dans une nouvelle table de données pour générer un nouvel ensemble de données deux fois plus volumineux.
Malheureusement, la modélisation ARIMA ne permet pas de prédire de nombreuses nouvelles valeurs pour les facteurs ou la réponse, je ne peux donc pas vraiment l'utiliser pour générer des périodes de prévision. Néanmoins, je pense que cette approche alternative pour créer un ensemble de données simulées pourrait s'avérer utile.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesIl n’est pas certain que simuler davantage de données soit utile. Si vous pouvez simuler les données, vous disposez alors du modèle des données. La « structure » est un changement dans la population (non reproduit par la simulation de Monte Carlo avec une moyenne constante).
Mesurez-vous simultanément les candidats aux variables prédictives (facteurs) avec cette réponse ? Avez-vous exploré les corrélations, les associations et les modèles possibles ?
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut @Peter_Bartell et @Mark_Bailey ,
J'apprécie vraiment la discussion sur ce sujet, car elle me donne quelques idées sur la façon d'améliorer mon analyse.
Les données proviennent d'un processus, mais ne sont pas en temps réel. Ils sont collectés dans une base de données, puis consultée ultérieurement. Je ne peux pas garantir que chaque point soit véritablement séquentiel après le précédent. Il existe un espacement de temps typique entre les points, mais s'il y a une pause dans le processus, qui peut durer des heures ou des jours, la base de données reprend là où elle s'était arrêtée. Il ne s’agit donc pas à proprement parler d’une série chronologique. Cependant, en pratique, si le modèle ARIMA peut reproduire une réponse similaire aux données réelles, cela devrait suffire (je pense).
Ces données proviennent de la même source. Des échantillons sont prélevés du processus et une mesure est effectuée sur eux.
Je n'ai pas encore essayé d'estimer l'autocorrélation. La simulation Monte Carlo pourrait être une solution pour générer des données d'entrée/sortie qui imitent les données réelles. Je ne savais pas que JMP pouvait faire des simulations MC. Je l'ai déjà fait sur d'autres problèmes, mais sans utiliser JMP. Ce sont des choses que je vais devoir examiner.
L’objectif est de développer un modèle capable de bien prédire la réponse. Avec cela, nous pourrions surveiller uniquement les facteurs (plus facile). Si le modèle prédit un avertissement, des efforts plus ambitieux peuvent alors être déployés.
Je pense toujours qu'il vaudrait la peine de lire sur le FDE et l'ARIMA, cela pourrait susciter quelques idées. J'espère que mes explications quelque peu vagues ont du sens. Merci de comprendre les problèmes de divulgation.
Merci
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesje suis d'accord avec @Mark_Bailey dernier paragraphe ci-dessus... et comme je l'ai dit dans un article précédent... d'après ce que vous avez partagé jusqu'à présent... je doute que l'analyse FDE ou des séries chronologiques soit l'approche la plus appropriée pour vos objectifs.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesLes données ne sont donc pas tracées dans l'ordre chronologique ? Ils ne proviennent pas de la même source (source unique) ?
Quand vous dites que chaque mesure est indépendante, avez-vous estimé l'auto-corrélation, même pour un décalage de 1 ? Même si « indépendant » peut signifier que les données ont été collectées séparément, je parle d'indépendance statistique, ou de manque de corrélation.
Les données simulées correspondent à ce à quoi je m'attendais. Il existe une seule population avec une moyenne et une variance stables. La simulation Monte Carlo inclut des perturbations aléatoires sur les facteurs et la réponse.
La « structure » que vous voyez dans vos données mais pas dans la simulation est le résultat d'autres « causes attribuables ». Les causes peuvent survenir de manière aléatoire dans le temps et en ampleur. La simulation doit inclure leur contribution. Savez-vous ce qu'ils sont ? Comment se produisent-ils ? Comment les modéliser ?
Je comprends que vous ne pouvez pas divulguer la véritable nature et les détails des mesures, mais vous pourriez peut-être utiliser une analogie pour nous donner une idée des données et de ce que vous faites. Par exemple, peut-être mesurez-vous de temps en temps la pression dans trois tubes lance-torpilles à l’intérieur d’un sous-marin nucléaire…
En supposant que nous puissions vous aider à simuler les données réelles, quel type d’analyse ou de modélisation comptez-vous utiliser avec celles-ci ?
Peter est très utile, mais à mesure que nous en apprenons davantage sur votre problème, je doute que ces suggestions soient utiles. L'analyse des données fonctionnelles concerne les fonctions, les profils ou les courbes. Imaginez un échantillon de centaines de séries de données et vous souhaitez modéliser la forme et soit la manière dont la forme est influencée par des facteurs, soit la manière dont la forme prédit les résultats. Vous disposez apparemment d’une seule série de données que vous souhaitez étendre. La FDA ne fait pas de prédiction au-delà du domaine d'origine. Le modèle ARIMA suppose des points équidistants. Il peut modéliser l'autocorrélation, les perturbations et la saisonnalité pour prédire à l'avance, mais pas loin. En revanche, une simulation Monte Carlo basée sur le modèle ARIMA est possible.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèles@SDF1 : Votre expression « structure à long terme » peut avoir de nombreuses saveurs, nuances et problèmes. Par exemple, la saisonnalité peut être une forme de structure. Les méthodes de séries chronologiques ARIMA sont TRÈS bien adaptées à la modélisation des effets de saisonnalité et des tendances à long terme ou des mouvements cycliques dans un processus. Consultez la table de données classique seriesg.jmp dans le répertoire d'exemples de données JMP.
Ma suggestion pour commencer est de lire les fonctionnalités de JMP/JMP Pro dans la documentation JMP. Voici un lien pour FDE :
https://www.jmp.com/support/help/14/functional-data-explorer.shtml
Et voici un lien pour l'analyse des séries chronologiques :
https://www.jmp.com/support/help/14/time-series-analysis.shtml
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut Peter,
L’une ou l’autre de ces plates-formes permet-elle de maintenir la structure à long terme ? Je vais encore les lire, cela pourrait me donner quelques idées sur la façon de coder ma propre solution.
Merci!
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesÉtant donné que les observations ne constituent pas une série chronologique, je retire mes recommandations précédentes concernant l'explorateur de données fonctionnelles ou l'analyse de séries chronologiques. Les deux techniques supposent une certaine structure À TRAVERS le temps entre les observations... et comme ces observations sont indépendantes les unes des autres... l'utilisation de FDE ou de séries chronologiques n'est pas recommandée.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut Mark,
Les données ne dépendent pas du temps. Chaque mesure est indépendante de la précédente, mais en général les données sont collectées les unes après les autres. Elles pourraient être considérées comme des séries chronologiques, mais pas à proprement parler, car elles pourraient ne pas être techniquement séquentielles. Mais plus important encore, chaque mesure est une mesure indépendante d’une réponse.
Espérons que le visuel ci-dessous expliquera ce que je veux dire à propos des données simulées perdant toute structure :
J'ai généré cela en ouvrant le simulateur dans Profiler, en donnant à chaque prédicteur (j'en ai plusieurs) une distribution normale avec un SD réaliste (dérivé des données réelles) et en générant un tableau avec 50 000 réponses. Bien que la moyenne, les valeurs maximales et minimales puissent être proches de ce à quoi ressemblent les données d'origine, l'autre structure est perdue. Ce nouvel ensemble de données ne contient pas le même type de structure « à longue portée » que l'original, et c'est cette structure qu'il est tout aussi important de capturer dans un ensemble de données simulées que les valeurs réelles des données. Il n'est pas nécessaire qu'il corresponde exactement, mais au moins avoir une structure similaire (voir le message original pour comparaison).
Je conviens que les deux options de simulateur intégrées à JMP ne sont pas appropriées. Des suggestions sur un sujet spécifique à lire pour la formule de colonne ou pour écrire un script ? Je ne connais aucune des formules intégrées qui pourraient résoudre ce problème à ma place. Je suis d'accord avec l'écriture d'un script pour une telle chose, mais j'aurais besoin de savoir par où commencer. Je dois encore examiner l'autre suggestion de Peter Bartell concernant l'explorateur de données fonctionnelles et la modélisation ARIMA pour voir si ceux-ci le géreraient.
Merci!
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesLa réponse est donc un signal dépendant du temps ? Existe-t-il des prédicteurs ou est-ce l’autocorrélation qui est importante ?
Que veux-tu dire par " Malheureusement, lorsque j'essaie d'utiliser la fonction de simulation du Profiler et de générer des ensembles de données plus volumineux, les nouvelles données de sortie ne montrent aucune structure associée aux données d'origine. " Quelle est la nature de la structure souhaitée ?
En quoi les données sont-elles différentes d’une série chronologique ?
Je ne pense pas que le simulateur de Proffier ou la fonctionnalité de plateforme JMP Pro Simulate satisfera vos besoins. Une formule de colonne ou un script sera probablement l'approche la plus satisfaisante.
Vous ne pouvez pas divulguer certains détails (compris) donc il faut jouer aux "vingt questions !"
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut Mark,
Merci pour vos commentaires.
Les données générées sont très lentes, ce qui signifie qu'il faut beaucoup de temps pour obtenir les données d'origine, des jours et des semaines. Ainsi, créer un ensemble de données d’une taille de 50 Ko n’est pas réalisable. J'utilise certaines fonctions de modélisation Pro (exécutant Pro 14.1.0) pour essayer de générer un modèle qui non seulement prédit bien les données, mais capture également la structure au sein des données. Disposer d’un ensemble de données plus vaste imitant la structure d’origine serait très utile pour améliorer le modèle. Augmenter la taille de l'échantillon (y compris plus de taille d'entraînement, de validation et de test) et capturer la structure des données aiderait à former un meilleur modèle - du moins je pense.
Il ne s’agit pas strictement d’une série chronologique, même si on pourrait la voir de cette façon. Les événements de données ne sont pas nécessairement liés les uns aux autres dans le temps. Une autre affiche suggérait une analyse de séries chronologiques, que j'examinerai.
Malheureusement, lorsque j'essaie d'utiliser la fonction de simulation du Profiler et de générer des ensembles de données plus volumineux, les nouvelles données de sortie ne montrent aucune structure associée aux données d'origine. Je peux y construire un nouveau modèle qui s'adapte très bien, mais lorsque je compare le nouveau modèle au modèle d'origine (construit sur les données d'origine), en utilisant les données d'origine, le nouveau modèle n'est pas aussi bien adapté.
Désolé, je ne peux pas être plus précis, mais je ne peux pas discuter des détails des données. J'espère que mes commentaires ont du sens par rapport aux points que vous avez soulevés.
Merci!
D'après ce que je souhaite faire, la fonction de simulation de Profiler semble être la bonne voie à suivre, mais elle ne me donne pas ce que j'essaie d'obtenir. La simulation Plateforme n'est certainement pas la bonne voie à suivre, ou du moins je peux voir comment l'ajuster pour me donner ce que je recherche.
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSalut Peter,
Merci pour les commentaires. J'ai oublié d'ajouter dans le message d'origine que j'utilise JMP Pro 14.1.0.
Je devrai peut-être attendre le prochain déploiement de la mise à jour, mais je peux au moins faire un peu de lecture et de suivi.
Merci!
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesTout d’abord, comment utiliseriez-vous les données simulées pour améliorer le modèle ? S’agit-il de disposer de données suffisantes pour démontrer la faisabilité d’une approche de modélisation particulière ? S’agit-il d’évaluer la taille de l’échantillon qui pourrait être suffisante pour un modèle particulier ? S’agit-il simplement d’augmenter la taille de l’échantillon ?
Deuxièmement, il semble que vous ayez une seule série chronologique. Cette interprétation est-elle correcte ?
Troisièmement, la fonction de simulation du Profiler est destinée à fonctionner avec un modèle ajusté ou enregistré. Vous pouvez décrire la variation des prédicteurs et des réponses en termes de modèles de distribution paramétrique. Je ne sais pas si ce mécanisme fonctionne avec les modèles de séries chronologiques. (D'autres experts peuvent intervenir ici.)
La simulation de plateforme est destinée à rééchantillonner les données sur la base d'un modèle de sauvegarde avec une composante stochastique pour générer la distribution d'échantillonnage empirique de la statistique choisie dans une plateforme.
Je pense que je peux obtenir un programme SAS pour simuler des données de séries chronologiques qui pourraient être adaptées à une formule ou un script de colonne JMP. (Pas de promesses.)
Suis-je sur la bonne voie ?
Re : Simuler des données pour générer un ensemble de données plus important pour créer des modèlesSi vous disposez de JMP Pro version 14.2, votre problème ressemble à une application parfaite pour Functional Data Explorer. Une autre option pourrait être une approche de modélisation de séries chronologiques utilisant peut-être une sorte de construction ARIMA ? Pas besoin de JMP Pro pour l'approche des séries chronologiques.
