所有，
我正在舉辦一個研討會，以增加JMP作為交互式數據工具的使用。 我在組織中看到很多人使用它來創建有用的圖表以進行持續的報告，但是我希望看到它可以更有效地用於故障排除和數據探索。我們有很多時間序列數據。 除了通常的疊加趨勢和散點圖矩陣外，我還喜歡變異圖和平行圖。 我還計劃討論ARIMA模型的滯後圖和殘差圖。 您還想將其他圖用於時間序列的數據探索嗎？謝謝。
@a_mitlehner 在不了解更多信息的情況下，以及它如何適合您選擇的技術之前，我建議您從標準殘差圖開始，以檢查是否滿足您所使用的方法論的假設。我個人認為時間序列有一定的局限性，需要進行臨時微分，並且需要使用傳遞函數來捕獲非週期性變化。如果您正在使用多個序列，那麼如何使用神經網絡或FDE查找與總體趨勢不匹配或基礎模型擬合不佳的曲線。通過保存殘差並將其作為時間或外生輸入的函數，您可能會對時間序列執行相同的操作。
泡泡圖可能是一個很好的選擇。
我建議的另一種建議是，如果您的數據是按月或按季度進行，則X11分解方法可用於提取和繪製趨勢和周期/季節成分（請參見下面的示例）。X11在JMP的時間序列平台中可用。（ https://www.jmp.com/support/help/zh_CN/15.2/#page/jmp/differencing-and-decomposition.shtml#ww545636 ）
如果您不熟悉X11，則有錄音 https://www.jmp.com/zh_CN/events/ondemand/mastering-jmp/time-series-analysis-and-forecasting.html
