JMP時間序列離群分析你好
我想知道JMP是否具有時間序列離群分析。 我有一組關於失敗與時間的數據，並且喜歡識別異常值。
謝謝
亞當
分析工具回复：JMP時間序列離群值分析嗨，亞當，
我建議以下內容，並告訴我它是否適合您。
使用Principal Components平台並輸入您的故障和時間變量作為Y變量（兩者都必須是連續的數字）。
從PCA報告菜單中，選擇離群值分析。 所示的T²圖將為您提供考慮故障與時間數據結構的多元均值的距離。 T²值較高的點可能是異常值（在UCL線上方）。
希望這可以幫助！
標記回复：JMP時間序列離群值分析嗨，馬克，
非常感謝您的快速響應和解決方案。 我遵循了您的建議，可以發現異常值。
與進行IQR分析相比，PCA異常檢測有什麼優勢？ IQR也找到相同的異常值。
如果我在JMP之外進行PCA，如何找到異常值？
再次感謝。
問候，
亞當
回复：JMP時間序列離群值分析嗨，亞當，
PCA將考慮沿主分量軸的協方差，而IQR則不。 基本上，這是在多變量空間（其中一維是時間）與單變量空間中識別離群值之間的區別。
請注意：如果時間序列中存在許多非線性行為，則PCA方法可能無效。 另一種更靈活的方法是使用X擬合Y（或Graph Builder）擬合拆分模型。 從“按X擬合X的二元變量”菜單中，選擇“靈活”>“內核平滑器”。 選擇所需的平滑度，然後從圖例中“局部平滑器”旁邊的紅色三角形中選擇“保存殘差”。 然後，您可以對這些殘差應用數據過濾器，以使用比使用主成分更靈活的模型過濾異常值。
謹記並保持安全，
標記
回复：JMP時間序列離群值分析嗨，馬克，
感謝您提供有關使用PCA與IQR的解釋，並指出了非線性的重要性。 我嘗試了您的建議以使內核更平滑並得到了殘差，然後對殘差使用了離群值分析並得到了離群點。
再次感謝您的幫助和建議。
問候，
亞當
