時間序列平台上的JMP®16更新（2021-EU-45MP-745）級別：中級
劉鵬，JMP首席研究統計員，SAS
曹健，SAS JMP首席系統工程師
本演講將提供對兩個時間序列相關平台中主要更新的全面回顧。 更具體地說，更新包括基於預測性能的模型選擇方法，用於研究最近添加的狀態空間平滑模型的增強功能以及使用Box-Cox轉換時間序列的分析功能。 我們將解釋開發工作背後的動機，以幫助確定新功能的有趣用例。 我們將提供一些示例來說明如何使用這些新功能的許多可能性。 JMP 16代表時間序列平台的重大升級。 配備了新功能的JMP為時間序列分析中許多有趣的新發現打開了大門。
自動產生的筆錄...
揚聲器 | 成績單 |
| 這次演講是為了強調一些 |
| 00 | 11.600 |
| 3 |
| 時間序列平台。 三是 |
| 從時間序列平台和 |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| 我們需要Box Cox嗎 |
| 轉換的時間序列？ |
| 讓我們看一下數據 |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 也稱為航空公司 |
| 旅客數據集。 |
| 原來的系列是 |
| 00 | 23.900 |
| 23 |
| 模特從。 |
| 為什麼？ 讓我們來看看一個情節... |
| 00 | 43.433 |
| 27 |
| 越來越大。 而這個系列 |
| 無法由 |
| 00 | 01.666 |
| 31 |
| 在第二張圖片中。 所以 |
| 變化不會改變 |
| 與各種時間系列？？？ |
| 00 | 20.266 |
| 36 |
| 所以在文學中人們會 |
| 說，好吧，我們將轉型 |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| 在這種情況下， |
| 這是對數刻度。 |
| 反向發送 |
| 00 | 04.366 |
| 49 |
| 變形。 |
| 過去...過去 |
| 00 | 21.966 |
| 53 |
| 簡化整個過程。 |
| 你需要做的就是放 |
| 00 | 39.133 |
| 57 |
| 需要做模型，製作 |
| 預測，然後是軟件， |
| 00 | 55.933 |
| 61 |
| 將原木乘客帶入Y， |
| 但現在我們不必這樣做。 我們 |
| 00 | 15.033 |
| 66 |
| 進入Box Cox |
| 轉換參數Lambda。 |
| 零，這意味著它是一個日誌 |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 紅色三角形菜單，然後單擊 |
| ARIMA或季節性ARIMA。 |
| 00 | 01.766 |
| 78 |
| 季節性部分為12。 |
| 沒有攔截。 點擊 |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| 預測照顧 |
| 逆變換。 這 |
| 00 | 49.600 |
| 91 |
| 將在此顯示。 |
| 情節和預測有 |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| 模特是時間的主力軍 |
| 系列預測平台。 |
| 他們可以適應並預測很多 |
| 00 | 35.733 |
| 39.633 |
| 104 |
| 性能在某種程度上是可比的 |
| 進行預測 |
| 00 | 59.366 |
| 110 |
| 111 |
| 研究為什麼...為什麼這種類型 |
| 模型的工作原理，以及為什麼有些 |
| 00 | 18.600 |
| 115 |
| 116 |
| 將模型輸入時間序列 |
| 設計用於 |
| 00 | 43.900 |
| 120 |
| 未知的功能 |
| 狀態，未觀察到的狀態。 在這裡 |
| 00 | 01.000 |
| 124 |
| 變量和誤差項 |
| 通過任一加法運算 |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| 狀態是級別狀態時間 |
| 系列。趨勢狀態形成一個 |
| 00 | 40.733 |
| 134 |
| 135 |
| 狀態，也是其中之一 |
| 以前的季節性狀態。 和 |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 先前的趨勢狀態將 |
| 調到下一個。 |
| 趨勢狀態和水平狀態 |
| 00 | 25.966 |
| 146 |
| 指向另一個時間點。 和 |
| 還有更多的箭頭...那裡 |
| 狀態轉換比實際多 |
| 00 | 49.700 |
| 152 |
| 系列轉換為Y，然後單擊確定。 |
| 為了適合此類模型，我們 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| 設置，我要輸入12 |
| 期間。 |
| 我要點擊“選擇” |
| 推薦按鈕。 |
| 從附加誤差模型和 |
| 00 | 47.666 |
| 169 |
| 這個特殊的設置，我要去 |
| 單擊約束參數 |
| 00 | 05.966 |
| 173 |
| 推薦的模型適合這些 |
| 這些時間序列的類型和 |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| 具有較小AIC的模型和 |
| 我的眼睛在前兩個 |
| 00 | 52.300 |
| 184 |
| 楷模。讓我 |
| 覆蓋預測 |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 從原始時間序列 |
| 更好。 |
| 所以我願意 |
| 00 | 45.133 |
| 198 |
| 區別？ 我打開 |
| 第一個MAA ... MAM。 |
| 讓我們往下面走。 這 |
| 00 | 05.533 |
| 10.666 |
| 204 |
| 這個 | 組件狀態。 |
| 這是特別的 |
| 00 | 32.900 |
| 209 |
| 第一個字母。 |
| 趨勢是通過 |
| 00 | 50.233 |
| 213 |
| 本報告的第二部分是 |
| ...是國家的組成部分 |
| 00 | 06.100 |
| 217 |
| 部分是對 |
| 這種特定的狀態。 |
| 時間序列的周期 |
| 00 | 27.500 |
| 222 |
| 223 |
| 在不斷增加的模式 |
| 過去。 不斷增加 |
| 00 | 48.266 |
| 227 |
| 系列和模式繼續 |
| 走向未來 |
| 00 | 03.466 |
| 231 |
| 觀察到，但預測是 |
| 平坦的。這困擾著我。 |
| 現在讓我們看第二 |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 狀態分量圖。 級別是 |
| 過去增加了 |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| 未來。這樣比較合理 |
| 我可以接受的情節。 是嗎 |
| 00 | 14.866 |
| 252 |
| 轉到第二張幻燈片。 |
| 這張幻燈片，然後下一張 |
| 00 | 45.100 |
| 259 |
| 在解釋預測上 |
| 從這個模型...這種類型的 |
| 楷模。在這裡我想 |
| 00 | 01.933 |
| 07.233 |
| 265 |
| 向上。我在這裡列出了一半。 |
| 哦，差不多一半。 所以我們集中精力 |
| 00 | 27.033 |
| 30.800 |
| 271 |
| 一些增長趨勢，並將 |
| 逐漸減小。 |
| 另一方面，我們可以 |
| 00 | 54.233 |
| 277 |
| 從預測中看到使用此 |
| 類型模型。 如果是季節性 |
| 不參與。 當我 |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| 第一個是 |
| 如果季節性因素，則進行統一的預測 |
| 00 | 46.833 |
| 51.266 |
| 291 |
| 線性增加 |
| 模式等等 |
| 與其他人相似。 現在 |
| 00 | 06.800 |
| 12.566 |
| 297 |
| 它只是增加。 |
| 應用後 |
| 00 | 34.033 |
| 302 |
| 上的乘法季節性 |
| 我們的增長之巔 |
| 00 | 48.966 |
| 306 |
| 這種類型...不同的類型 |
| 形狀 | 平坦的 |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| 我們得到了不同...不同 |
| 形狀。所以我重新進入??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 我們最終看到的 |
| 預測。 |
| 您有扁平圖案或 |
| 00 | 00.733 |
| 323 |
| 參數。所以我分開了 |
| 這些部分，還有我 |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| 趨勢通常看起來平淡， |
| 我們會增加 |
| 模式處於水平狀態。 |
| 當它是線性的 |
| 當它彎曲時。 |
| 一切都取決於這 |
| 00 | 52.233 |
| 57.666 |
| 339 |
| 在增加或減少 |
| 指數級。 所以這是 |
| 00 | 13.466 |
| 343 |
| 苗條並且認為它是 |
| 複合利率 |
| 如果水平狀態增加 |
| 00 | 32.466 |
| 348 |
| 他們做出預測，他們試圖... |
| 盡量不要過衝 |
| 或低於預測 |
| 00 | 59.833 |
| 355 |
| 怎麼解釋 |
| 國家的預測 |
| 00 | 20.133 |
| 359 |
| 第二個，這些都不是 |
| 模型是固定的。 他們是 |
| 00 | 37.466 |
| 364 |
| 因此，如果您正在考慮這些 |
| 時間序列。 事物 |
| 00 | 55.566 |
| 59.600 |
| 369 |
| 第三，如果你只是看到 |
| 那個時間序列不 |
| 00 | 12.000 |
| 373 |
| 374 |
| 結果... |
| 下一張適合的幻燈片 |
| 00 | 31.933 |
| 378 |
| 跨類型比較 |
| 模特要小心。 |
| 這張幻燈片顯示瞭如何... |
| 00 | 51.800 |
| 383 |
| 是預測。 |
| 同樣，我繪製了 |
| 00 | 07.400 |
| 387 |
| 應用這些類型的狀態空間 |
| 將模型平滑到平穩 |
| 時間序列？ 在這裡我模擬 |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| 該時間序列的模型 |
| 最好的模型原來是 |
| 00 | 54.266 |
| 399 |
| 400 |
| 相當不同，因為它是 |
| 隨機遊走模型和 |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| 此演示文稿中的功能 |
| 保留的預測。 |
| 此功能可讓您 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| 一個來自另一個模型。 |
| 然後您可以比較這些 |
| 00 | 11.833 |
| 423 |
| 424 |
| 激活此功能。 然後我 |
| 需要指定 |
| 保留的長度 |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| 點擊選擇推薦， |
| 並檢查約束 |
| 00 | 06.433 |
| 438 |
| 439 |
| 系列的一部分， |
| 我們列出了保留 |
| 00 | 26.000 |
| 443 |
| 444 |
| 默認情況下，但是您可以 |
| 始終更改指標 |
| 00 | 39.900 |
| 44.866 |
| 449 |
| 報告類似於 |
| 從分析中得到的 |
| 結果不激活此 |
| 00 | 05.433 |
| 454 |
| 455 |
| 讓我們讓我總結一下 |
| 我們從中學到了什麼 |
| 00 | 25.566 |
| 459 |
| 性能超過保留 |
| 數據。但是這些標準是 |
| 00 | 41.366 |
| 463 |
| 過程。我們看到了 |
| 與我們的使用方式不同 |
| 00 | 57.700 |
| 467 |
| 模型擬合的一部分 |
| 過程，所以這是東西 |
| 00 | 17.000 |
| 471 |
| 進行評估 |
| 根據他們的不同型號 |
| 預測效果。 所以我們 |
| 00 | 32.033 |
| 35.366 |
| 478 |
| 列是那個時間序列 |
| 指標。 Y是時間序列 |
| 00 | 55.666 |
| 482 |
| 匯總數據集 |
| 時間或時間序列，由 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| 規範或更改 |
| 選型策略，我們 |
| 00 | 39.200 |
| 494 |
| 檢查...更改選擇 |
| 預測的第一個組合框 |
| 表現。然後我們可以選擇 |
| 預測效果 |
| 00 | 04.633 |
| 500 |
| 我們要預測。 但是你可以 |
| 選擇任何...更改為任何 |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| 使用培訓 |
| 時間序列，選擇最佳 |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| 系列平台。 首先分析 |
| Box Cox轉換的時間序列。 |
| 第二個是健康狀態 |
| 00 | 27.666 |
| 521 |
| 522 |
| 以及使用它作為 |
| 以及型號選擇方法。 |
| 非常感謝你。 |
爆發數據探索預測建模回复：時間序列平台中的JMP®16更新（2021-EU-45MP-745）非常好的，有用的演示，解釋得很好；用戶友好的方法，ARIMA的競爭者！
我有一些工業過程的時間序列，請嘗試一下。 我現在有jpm pro 15，但我需要pro 16，對嗎？
回复：時間序列平台中的JMP®16更新（2021-EU-45MP-745）@frankderuyck回复較晚，抱歉 。 要獲得全部好處，您需要JMP 16。 但是，JMP 15中提供了大多數新的“時間序列預測”功能。“時間序列”和“時間序列預測”平台都是常規的JMP。
