시계열 플랫폼의 JMP® 16 업데이트 (2021-EU-45MP-745)레벨 : 중급
Peng Liu, JMP 수석 연구 통계 학자, SAS
Jian Cao, JMP 수석 시스템 엔지니어, SAS
이 강연에서는 두 가지 시계열 관련 플랫폼의 주요 업데이트에 대한 포괄적 인 검토를 제공합니다. 보다 구체적으로, 업데이트에는 예측 성능 기반 모델 선택 방법, 최근 추가 된 상태 공간 평활 모델을 연구하기위한 향상된 기능, Box-Cox 변환 시계열을 사용한 분석 기능이 포함됩니다. 새로운 기능의 흥미로운 사용 사례를 식별하는 데 도움이되는 개발 노력의 동기를 설명합니다. 이러한 새로운 기능을 사용하는 방법에 대한 다양한 가능성 중 일부를 설명하기 위해 몇 가지 예를 제시합니다. JMP 16은 시계열 플랫폼의 주요 업그레이드를 나타냅니다. 새로운 기능을 갖춘 JMP는 시계열 분석에서 많은 흥미로운 새로운 발견의 문을 열어줍니다.
자동 생성 스크립트 ...
스피커 | 성적 증명서 |
| 이 강연은 |
| 00 | 11. 600 |
| 삼 |
| 시계열 플랫폼. 세 가지는 |
| 시계열 플랫폼에서 |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| 박스 콕스가 필요한가요? |
| 변형 된 시계열? |
| 데이터를 살펴 보겠습니다. |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 항공사라고도 함 |
| 승객 데이터 세트. |
| 원래 시리즈는 |
| 00 | 23.900 |
| 23 |
| 모델에서. |
| 왜? 줄거리를 살펴 보겠습니다 ... |
| 00 | 43.433 |
| 27 |
| 커지고 있습니다. 그리고이 시리즈 |
| 처리 할 수 없습니다 |
| 00 | 01.666 |
| 31 |
| 두 번째 사진에서. 그래서 |
| 변이는 변하지 않는다 |
| 다양한 시계열로 ??? |
| 00 | 20.266 |
| 36 |
| 그래서 문학에서 사람들은 |
| 말하자면, 우리는 |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| 변환 스케일의,이 경우 |
| 여기는 로그 스케일입니다. |
| 역으로 보내기 |
| 00 | 04.366 |
| 49 |
| 변환. |
| 과거에 ... 과거에 |
| 00 | 21.966 |
| 53 |
| 전체 프로세스를 간소화합니다. |
| 당신이해야 할 일은 |
| 00 | 39.133 |
| 57 |
| 모델을해야하고 |
| 예측, 소프트웨어, |
| 00 | 55.933 |
| 61 |
| 통나무 승객을 Y에 넣고 |
| 하지만 지금은 그럴 필요가 없습니다. 우리 |
| 00 | 15.033 |
| 66 |
| Box Cox에 들어가려면 |
| 변환 매개 변수 Lambda. |
| 0, 그것은 로그임을 의미합니다. |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 빨간색 삼각형 메뉴를 클릭하고 |
| ARIMA 또는 계절별 ARIMA입니다. |
| 00 | 01.766 |
| 78 |
| 계절 부분은 12입니다. |
| 가로 채지 않고. 딸깍 하는 소리 |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| 돌보는 예측 |
| 역변환. 그만큼 |
| 00 | 49.600 |
| 91 |
| 이것에 표시됩니다. |
| 줄거리와 예측은 |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| 모델은 시간의 일꾼입니다 |
| 시리즈 예측 플랫폼. |
| 그들은 많은 것을 맞추고 예측할 수 있습니다. |
| 00 | 35.733 |
| 39.633 |
| 104 |
| 성능은 어떻게 든 비슷합니다 |
| 예측에 |
| 00 | 59.366 |
| 110 |
| 111 |
| 왜 그런지 연구 ... 왜 이런 유형 |
| 모델이 작동하는 이유와 일부 |
| 00 | 18.600 |
| 115 |
| 116 |
| 시계열에 모델 입력 |
| 설계된 플랫폼 |
| 00 | 43.900 |
| 120 |
| 미지의 기능 |
| 상태, 관찰되지 않은 상태. 여기에 |
| 00 | 01.000 |
| 124 |
| 변수 및 오류 용어 |
| 추가 작업에 의해 |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| state는 레벨 상태 시간입니다. |
| 시리즈. 추세 상태는 |
| 00 | 40.733 |
| 134 |
| 135 |
| 상태 및 또한 |
| 이전 계절 상태. 과 |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 이전 추세 상태는 |
| 다음으로 떨다. |
| 추세 상태 및 수준 상태 |
| 00 | 25.966 |
| 146 |
| 다른 시점을 가리 킵니다. 과 |
| 더 많은 화살이 있습니다 ... |
| 현재보다 더 많은 상태 전환 |
| 00 | 49.700 |
| 152 |
| Y에 시리즈를 입력하고 확인을 클릭합니다. |
| 이 유형의 모델에 맞추기 위해 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| 세트, 12를 입력합니다 |
| 기간 동안. |
| 선택을 클릭합니다. |
| 추천 버튼. |
| 추가 오류 모델에서 |
| 00 | 47.666 |
| 169 |
| 이 특정 세트, 나는 갈거야 |
| 제약 매개 변수를 클릭하려면 |
| 00 | 05.966 |
| 173 |
| 이들에 맞는 권장 모델 |
| 유형 ...이 시계열 및 |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| AIC가 더 작은 모델과 |
| 내 눈은 처음 두 개에 |
| 00 | 52.300 |
| 184 |
| 모델. 그리고 나에게 |
| 예측을 오버레이 |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 원래 시계열에서 |
| 더 멋지게. |
| 그래서 내 취향에 따라 |
| 00 | 45.133 |
| 198 |
| 차? 내가 열어 보자 |
| 첫 번째 MAA ... MAM. |
| 아래로 가자. 이 |
| 00 | 05.533 |
| 10.666 |
| 204 |
| 이 하나 | 구성 요소 상태. |
| 이것은 이것에 대한 특별합니다 |
| 00 | 32.900 |
| 209 |
| 첫 글자. |
| 그리고 추세는 |
| 00 | 50.233 |
| 213 |
| 이 보고서의 두 번째 부분은 |
| ...은 상태 구성 요소입니다 |
| 00 | 06.100 |
| 217 |
| 부분은 |
| 이 특정 상태. |
| 시계열 기간 |
| 00 | 27.500 |
| 222 |
| 223 |
| 증가하는 패턴이 |
| 과거. 계속 증가 해 |
| 00 | 48.266 |
| 227 |
| 시리즈와 패턴은 계속됩니다 |
| 미래를 향해 |
| 00 | 03.466 |
| 231 |
| 관찰되었지만 예측은 |
| 플랫. 이것은 나를 괴롭혔다. |
| 이제 두 번째를 보자 |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 상태 구성 요소 그래프. 레벨은 |
| 과거에 증가했다 |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| 미래. 이것은 더 합리적입니다 |
| 내가 받아 들일 수있는 음모. 그래서 |
| 00 | 14.866 |
| 252 |
| 두 번째 슬라이드로 이동합니다. |
| 이 슬라이드와 다음 슬라이드 |
| 00 | 45.100 |
| 259 |
| 예측 해석에 |
| 이 모델에서 ...이 유형의 |
| 모델. 여기에 |
| 00 | 01.933 |
| 07.233 |
| 265 |
| 쪽으로. 여기에 그 절반을 나열했습니다. |
| 아, 거의 절반. 그래서 집중합시다 |
| 00 | 27.033 |
| 30.800 |
| 271 |
| 일부 증가 추세와 의지 |
| 끝쪽으로 점점 가늘어집니다. |
| 반면에 우리는 |
| 00 | 54.233 |
| 277 |
| 이것을 사용하여 예측에서 볼 |
| 유형 모델. 계절성 |
| 관련이 없습니다. 내가 |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| 첫 번째는 |
| 계절성이 |
| 00 | 46.833 |
| 51.266 |
| 291 |
| 선형 적으로 증가하다 |
| patern 등등 |
| 다른 것들과 비슷합니다. 지금 |
| 00 | 06.800 |
| 12.566 |
| 297 |
| 그것은 단지 증가하고 있습니다. |
| 적용 후 |
| 00 | 34.033 |
| 302 |
| 곱셈 계절성 |
| 우리 증가의 정상 |
| 00 | 48.966 |
| 306 |
| 이 유형 ... 다른 유형 |
| 모양 | 플랫 |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| 우리는 다른 것을 얻습니다. |
| 모양. 그래서 난 다시 들어간다 ??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 우리가 결국 보는 것 |
| 예측. |
| 플랫 패턴이 있거나 |
| 00 | 00.733 |
| 323 |
| 매개 변수. 그래서 헤어 졌어요 |
| 이 부분과 또한 |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| 추세는 보통 평평하게 보이지만 |
| 우리는 증가 할 것입니다 |
| 레벨 상태의 패턴. |
| 선형이고 |
| 곡선 일 때. |
| 그것은 모두 이것이 어떻게 |
| 00 | 52.233 |
| 57.666 |
| 339 |
| 증가 또는 감소 |
| 기하 급수적으로 레벨. 그래서 이것은 |
| 00 | 13.466 |
| 343 |
| 가늘고 다음과 같이 생각하십시오. |
| 복리 이율 |
| 레벨 상태가 증가하면 |
| 00 | 32.466 |
| 348 |
| 그들은 예측을하고, 그들은 ... |
| 넘치지 않으려 고 |
| 또는 예측을 미달 |
| 00 | 59.833 |
| 355 |
| 해석하는 방법 |
| 주에서 예측 |
| 00 | 20.133 |
| 359 |
| 두 번째,이 중 아무것도 |
| 모델은 고정되어 있습니다. 그들은 |
| 00 | 37.466 |
| 364 |
| 그래서 당신이 이것을 고려하고 있다면 |
| 시계열. 소지품 |
| 00 | 55.566 |
| 59.600 |
| 369 |
| 세 번째, 보시면 |
| 그 시계열이 아니라 |
| 00 | 12.000 |
| 373 |
| 374 |
| 결과 a ... in |
| 맞는 다음 슬라이드 |
| 00 | 31.933 |
| 378 |
| 유형별 비교 |
| 모델은 조심하세요. |
| 이 슬라이드는 방법을 보여줍니다. |
| 00 | 51.800 |
| 383 |
| 예측입니다. |
| 그리고 비슷하게 |
| 00 | 07.400 |
| 387 |
| 이러한 유형의 상태 공간 적용 |
| 모델을 고정으로 스무딩 |
| 시계열? 여기서 나는 |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| 이 시계열 모델, |
| 최고의 모델은 |
| 00 | 54.266 |
| 399 |
| 400 |
| 왜냐하면 그것은 |
| 랜덤 보행 모델과 |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| 이 프레젠테이션의 기능 |
| 보류에 대한 예측. |
| 이 기능을 사용하면 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| 하나는 다른 모델입니다. |
| 그리고 이것들을 비교할 수 있습니다 |
| 00 | 11.833 |
| 423 |
| 424 |
| 이 기능을 활성화합니다. 그럼 내가 |
| 지정해야 |
| 홀드 백의 길이 |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| 추천 선택을 클릭합니다. |
| Constraint 확인 |
| 00 | 06.433 |
| 438 |
| 439 |
| 시리즈의 일부, |
| 우리는 홀드 백을 나열했습니다 |
| 00 | 26.000 |
| 443 |
| 444 |
| 기본적으로하지만 |
| 항상 메트릭을 변경하십시오. |
| 00 | 39.900 |
| 44.866 |
| 449 |
| 보고서는 다음과 유사합니다. |
| 분석에서 얻은 |
| 활성화하지 않은 결과 |
| 00 | 05.433 |
| 454 |
| 455 |
| 요약하자 |
| 우리가 배운 것 |
| 00 | 25.566 |
| 459 |
| 홀드 백에 대한 성능 |
| 데이터. 하지만 그 기준은 |
| 00 | 41.366 |
| 463 |
| 방법. 우리는 오히려 |
| 우리가 사용하는 방법과 다릅니다 |
| 00 | 57.700 |
| 467 |
| 모델 피팅의 일부 |
| 프로세스, 그래서 이것은 뭔가 |
| 00 | 17.000 |
| 471 |
| 평가 보류 |
| 그들의 |
| 예측 성능. 그래서 우리 |
| 00 | 32.033 |
| 35.366 |
| 478 |
| 열은 시계열입니다. |
| 지시자. Y는 시계열입니다. |
| 00 | 55.666 |
| 482 |
| 데이터 세트를 요약하거나 |
| 시간 또는 시계열, 기준 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| 사양 또는 변경 |
| 모델 선택 전략, 우리 |
| 00 | 39.200 |
| 494 |
| 확인 ... |
| 예측에 대한 첫 번째 콤보 상자 |
| 공연. 그러면 우리는 선택할 수 있습니다 |
| 성능 예측 |
| 00 | 04.633 |
| 500 |
| 우리는 예측을 원합니다. 하지만 넌 할수있어 |
| 아무거나 선택 ... |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| 훈련 사용 |
| 시계열, 최고의 선택 |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| 시리즈 플랫폼. 먼저 분석 |
| Box Cox Transformed 시계열. |
| 두 번째는 적합 상태입니다. |
| 00 | 27.666 |
| 521 |
| 522 |
| 뿐만 아니라 그것을 사용하여 |
| 그리고 모델 선택 방법. |
| 대단히 감사합니다. |
브레이크 아웃데이터 탐색예측 모델링Re : 시계열 플랫폼의 JMP® 16 업데이트 (2021-EU-45MP-745)매우 훌륭하고 유용한 프레젠테이션이며 잘 설명되어 있습니다. 사용자 친화적 인 방법, ARIMA의 경쟁자!
나는 산업 공정에 대한 시계열을 가지고 있으며 이것을 시도해 볼 것입니다. 이제 jpm pro 15가 있지만 pro 16이 필요합니까?
Re : 시계열 플랫폼의 JMP® 16 업데이트 (2021-EU-45MP-745)헉헉 응답이 지연되어 죄송합니다. 모든 혜택을 누리려면 JMP 16이 필요합니다. 그러나 대부분의 새로운 시계열 예측 기능은 JMP 15에서 사용할 수 있습니다. 시계열 및 시계열 예측 플랫폼은 모두 일반 JMP입니다.
