285785_it-IT
Analisi e previsioni delle serie storiche
Guarda come:
- Comprendere e implementare la metodologia Box-Jenkins utilizzata da JMP per l'analisi delle serie temporali
- Costruisci modelli ARIMA (AutoRegressive Integrated Moving-Average), determina se sono adeguati, confronta i modelli e modifica i modelli
- Trasformare i dati utilizzando la differenziazione, un metodo integrato in JMP per calcolare le differenze tra osservazioni consecutive, per rendere stazionarie le serie temporali in modo che possano essere modellate e utilizzate per la previsione
- Salva tabella che include i dati previsti
Guarda come:
- Crea modelli ARIMA stagionali che gestiscono componenti stagionali, dati che hanno una variabilità crescente nel tempo o dati con un modello di crescita che richiede la trasformazione dei dati
- Comprendi come JMP calcola i modelli ARIMA
- Specificare l'ordine autoregressivo stagionale, l'ordine di differenziazione stagionale, l'ordine della media mobile stagionale e il numero di periodi per stagione
Guarda come:
- Utilizzare le funzioni di trasferimento quando si verifica un intervento, come un cambiamento di politica o uno sforzo di marketing, durante le serie temporali durante le quali verrà costruito il modello
- Costruisci un modello ARIMA-X e ARIMA che tenga conto dell'intervento
- Modello e previsione in cui l'intervento viene visualizzato come binario (1 per Sì, 0 per No)
- Utilizzare le opzioni della funzione di trasferimento e la previsione interattiva di JMP per modificare dinamicamente la previsione in base alle modifiche di input./li>
- Usa la decomposizione X-11 per rimuovere gli effetti di tendenza e stagionali utilizzando il metodo X-11 sviluppato dall'Ufficio del censimento degli Stati Uniti
- Comprendere i metodi di livellamento per la previsione rapida disponibili in JMP (esponenziale semplice, esponenziale doppio, esponenziale lineare, esponenziale lineare con tendenza smorzata, esponenziale stagionale e metodo di Winters)
risorse
16-30 min31+ min6-15 minSerie storicavideo
Comments
There are no comments yet