時系列プラットフォームのJMP®16アップデート（2021-EU-45MP-745）レベル：中級
JMP Principal Research Statistician Developer、SAS、Peng Liu
Jian Cao、JMPプリンシパルシステムエンジニア、SAS
この講演では、2つの時系列関連プラットフォームの主要な更新の包括的なレビューを提供します。 より具体的には、更新には、予測パフォーマンスベースのモデル選択方法、最近追加された状態空間平滑化モデルを研究するための拡張機能、およびBox-Cox変換時系列を使用した分析機能が含まれます。 新機能の興味深いユースケースを特定するための開発努力の背後にある動機について説明します。 これらの新機能をどのように使用できるかについての多くの可能性のいくつかを説明するために、いくつかの例を示します。 JMP 16は、時系列プラットフォームのメジャーアップグレードです。 新しい機能を備えたJMPは、時系列分析における多くの興味深い新しい発見への扉を開きます。
自動生成されたトランスクリプト...
スピーカー | トランスクリプト |
| この話はいくつかを強調することです |
| 00 | 11.600 |
| 3 |
| 時系列プラットフォーム。 3つは |
| 時系列プラットフォームから |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| Box Coxが必要ですか |
| 変換された時系列？ |
| データを見てみましょう |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 航空会社としても知られています |
| 乗客データセット。 |
| オリジナルシリーズは |
| 00 | 23.900 |
| 23 |
| からのモデル。 |
| どうして？ プロットを見てみましょう... |
| 00 | 43.433 |
| 27 |
| 大きくなる。 そしてこのシリーズ |
| で処理することはできません |
| 00 | 01.666 |
| 31 |
| 2番目の写真で。 だから |
| バリエーションは変わらない |
| さまざまな時系列で??? |
| 00 | 20.266 |
| 36 |
| だから文学では人々は |
| 言う、まあ、私たちは変換します |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| この場合、変換スケールの |
| ここでは、対数目盛です。 |
| それを逆に送る |
| 00 | 04.366 |
| 49 |
| 変換します。 |
| 過去に...過去に |
| 00 | 21.966 |
| 53 |
| プロセス全体を合理化します。 |
| あなたがする必要があるのは置くことです |
| 00 | 39.133 |
| 57 |
| モデルを作成する必要があります |
| 予測、次にソフトウェア、 |
| 00 | 55.933 |
| 61 |
| ログの乗客をYに入れます、 |
| しかし、今はそうする必要はありません。 私達 |
| 00 | 15.033 |
| 66 |
| ボックスコックスに入る |
| 変換パラメータラムダ。 |
| ゼロ、それはそれがログであることを意味します |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 赤い三角形のメニューをクリックして |
| ARIMAまたは季節性ARIMAのいずれか。 |
| 00 | 01.766 |
| 78 |
| 季節の部分は12。 |
| 傍受なし。 クリック |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| 世話をする予測 |
| 逆変換。 ザ・ |
| 00 | 49.600 |
| 91 |
| これで表示されます。 |
| プロットと予測は |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| モデルは時間の主力です |
| シリーズ予測プラットフォーム。 |
| 彼らはたくさんフィットして予測することができます |
| 00 | 35.733 |
| 39.633 |
| 104 |
| パフォーマンスはどういうわけか同等です |
| 予測に |
| 00 | 59.366 |
| 110 |
| 111 |
| なぜそれを研究する...なぜこのタイプ |
| モデルの動作とその理由 |
| 00 | 18.600 |
| 115 |
| 116 |
| 時系列にモデルを入力します |
| に設計されているプラットフォーム |
| 00 | 43.900 |
| 120 |
| 未知の機能 |
| 状態、観察されていない状態。 ここで |
| 00 | 01.000 |
| 124 |
| 変数と誤差項 |
| いずれかの加法演算によって |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| 状態はレベル状態時間です |
| シリーズ。トレンド状態は |
| 00 | 40.733 |
| 134 |
| 135 |
| 状態、およびまたの1つ |
| 以前の季節の州。 そして |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 以前のトレンド状態は |
| 次へとトレムド。 |
| トレンド状態とレベル状態 |
| 00 | 25.966 |
| 146 |
| 別の時点を指します。 そして |
| もっと矢があります...そこに |
| より多くの状態遷移があります |
| 00 | 49.700 |
| 152 |
| Yにシリーズし、[OK]をクリックします。 |
| このタイプのモデルに合わせるために、 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| セット、12を入力します |
| 期間中。 |
| そして、[選択]をクリックします |
| 推奨ボタン。 |
| 加法誤差モデルと |
| 00 | 47.666 |
| 169 |
| この特定のセット、私は行きます |
| 拘束パラメータをクリックするには |
| 00 | 05.966 |
| 173 |
| これらに合う推奨モデル |
| タイプ...これらの時系列と |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| より小さなAICと |
| 私の目は最初の2つにあります |
| 00 | 52.300 |
| 184 |
| モデル。そして私にさせてください |
| 予報をオーバーレイする |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 元の時系列から |
| もっとうまく。 |
| だから私の好みでは、私は |
| 00 | 45.133 |
| 198 |
| 差？ 開けさせて |
| 最初のMAA ... MAM。 |
| 下に降りましょう。 この |
| 00 | 05.533 |
| 10.666 |
| 204 |
| これです | コンポーネントの状態。 |
| これはこれのための特別です |
| 00 | 32.900 |
| 209 |
| 最初の文字。 |
| そしてトレンドは |
| 00 | 50.233 |
| 213 |
| このレポートの2番目の部分は |
| ...は状態コンポーネントです |
| 00 | 06.100 |
| 217 |
| 一部はの予測です |
| この特定の状態。 |
| 時系列の期間 |
| 00 | 27.500 |
| 222 |
| 223 |
| で増加パターンを持っています |
| 過去。 増え続ける |
| 00 | 48.266 |
| 227 |
| シリーズとパターンは続く |
| 未来に向けて、そしてこれ |
| 00 | 03.466 |
| 231 |
| 観測されましたが、予測は |
| 平らな。これは私を悩ませました。 |
| 次に2番目を見てみましょう |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 状態成分グラフ。 レベルは |
| 過去に増加していた |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| 未来。これはより合理的です |
| 私が受け入れることができるプロット。 そうですか |
| 00 | 14.866 |
| 252 |
| 2番目のスライドに進みます。 |
| このスライドと次のスライド |
| 00 | 45.100 |
| 259 |
| 予測の解釈について |
| このモデルから...このタイプの |
| モデル。ここでお願いします |
| 00 | 01.933 |
| 07.233 |
| 265 |
| アップ。私はそれらの半分をここにリストしました。 |
| ああ、ほぼ半分。 だから焦点を当てましょう |
| 00 | 27.033 |
| 30.800 |
| 271 |
| いくつかの増加傾向と |
| 終わりに向かって先細りになります。 |
| そしてその一方で、私たちはできます |
| 00 | 54.233 |
| 277 |
| これを使った予報から見て |
| タイプモデル。 季節性の場合 |
| 関与していません。 私が |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| 最初のもの、これは |
| 季節性の場合はフラットな予測 |
| 00 | 46.833 |
| 51.266 |
| 291 |
| 直線的に増加する |
| パターンなど |
| 他と同じように。 今 |
| 00 | 06.800 |
| 12.566 |
| 297 |
| それは単に増加しているだけです。 |
| 適用後 |
| 00 | 34.033 |
| 302 |
| 乗法的季節性 |
| 私たちの増加のトップ |
| 00 | 48.966 |
| 306 |
| このタイプ...別のタイプ |
| 形 | 平らな |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| 私たちはそれらを違うものにします...違う |
| 形。だからIIは再び入る??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 私たちが最終的に見るもの |
| 予測。 |
| あなたはフラットパターンを持っているか |
| 00 | 00.733 |
| 323 |
| パラメーター。だから私は別れた |
| これらの部品と私も |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| トレンドは通常フラットに見えますが、 |
| 増加します |
| レベル状態のパターン。 |
| 線形の場合 |
| 曲がっているとき。 |
| それはすべてこれがどのように依存するかです |
| 00 | 52.233 |
| 57.666 |
| 339 |
| の増加または減少 |
| 指数関数的にレベル。 だからこれは |
| 00 | 13.466 |
| 343 |
| 無駄がなく、次のように考えます |
| 複利の場合 |
| レベル状態が増加した場合 |
| 00 | 32.466 |
| 348 |
| 彼らは予測をし、彼らはしようとします... |
| オーバーシュートしないようにしてください |
| またはその予測をアンダーシュート |
| 00 | 59.833 |
| 355 |
| 解釈する方法 |
| 州からの予測 |
| 00 | 20.133 |
| 359 |
| 2つ目、これらのどれも |
| モデルは静止しています。 彼らです |
| 00 | 37.466 |
| 364 |
| したがって、これらを検討している場合 |
| 時系列。 物事 |
| 00 | 55.566 |
| 59.600 |
| 369 |
| 3つ目は、 |
| その時系列ではありません |
| 00 | 12.000 |
| 373 |
| 374 |
| 結果は...で |
| 収まる次のスライド |
| 00 | 31.933 |
| 378 |
| タイプ間で比較 |
| モデルは注意してください。 |
| このスライドは、その方法を示しています... |
| 00 | 51.800 |
| 383 |
| 予報です。 |
| そして同様に、私は |
| 00 | 07.400 |
| 387 |
| これらのタイプの状態空間を適用します |
| モデルを静止に平滑化する |
| 時系列？ ここで私はシミュレートします |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| この時系列のモデル、 |
| 最高のモデルは |
| 00 | 54.266 |
| 399 |
| 400 |
| かなり違うので |
| ランダムウォークモデルと |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| このプレゼンテーションの特徴 |
| ホールドバックの予測。 |
| この機能により、 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| 1つは別のモデルからのものです。 |
| そして、あなたはこれらを比較することができます |
| 00 | 11.833 |
| 423 |
| 424 |
| この機能をアクティブにします。 その後私は |
| 指定する必要があります |
| ホールドバックの長さ |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| [推奨を選択]をクリックします。 |
| 制約を確認します |
| 00 | 06.433 |
| 438 |
| 439 |
| シリーズの一部、 |
| ホールドバックをリストしました |
| 00 | 26.000 |
| 443 |
| 444 |
| デフォルトでは、しかしあなたはすることができます |
| 常にメトリックを変更します |
| 00 | 39.900 |
| 44.866 |
| 449 |
| レポートはに似ています |
| 分析から得たものに |
| これをアクティブ化せずに結果 |
| 00 | 05.433 |
| 454 |
| 455 |
| まとめましょう |
| 私たちが学んだこと |
| 00 | 25.566 |
| 459 |
| ホールドバックを超えるパフォーマンス |
| データ。しかし、それらの基準は |
| 00 | 41.366 |
| 463 |
| 処理する。むしろ |
| 使い方とは違う |
| 00 | 57.700 |
| 467 |
| モデルフィッティングの一部 |
| プロセスなので、これは何かです |
| 00 | 17.000 |
| 471 |
| 評価するためのホールドバック |
| それらに基づいて異なるモデル |
| パフォーマンスの予測。 だから私たちは |
| 00 | 32.033 |
| 35.366 |
| 478 |
| 列はその時系列です |
| インジケータ。 Yは時系列です |
| 00 | 55.666 |
| 482 |
| データセットを要約します。 |
| 時間または時系列、 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| 仕様を変更するか、 |
| モデル選択戦略、私たちは |
| 00 | 39.200 |
| 494 |
| チェック...の選択を変更します |
| 予測への最初のコンボボックス |
| パフォーマンス。次に、選択できます |
| パフォーマンスの予測 |
| 00 | 04.633 |
| 500 |
| 予測が欲しい。 でも君ならできる |
| いずれかを選択...いずれかに変更 |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| トレーニングを使用する |
| 時系列、最適なものを選択してください |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| シリーズプラットフォーム。 最初に分析する |
| BoxCox変換された時系列。 |
| 2つ目はフィット状態です |
| 00 | 27.666 |
| 521 |
| 522 |
| 同様にそしてそれをとして使用する |
| そしてモデル選択方法。 |
| どうもありがとうございました。 |
起こるデータ探索予測モデリングRe：時系列プラットフォームでのJMP®16アップデート（2021-EU-45MP-745）非常に素晴らしく、便利なプレゼンテーションで、よく説明されています。ユーザーフレンドリーな方法、ARIMAの候補！
私は工業プロセスの時系列をいくつか持っており、これを試してみます。 私は今jpmpro 15を持っていますが、pro 16が必要ですよね？
Re：時系列プラットフォームでのJMP®16アップデート（2021-EU-45MP-745）@frankderuyck応答が遅れてすみません。 メリットを最大限に活用するには、JMP16が必要です。 ただし、新しい時系列予測機能のほとんどはJMP15で使用できます。時系列および時系列予測プラットフォームはどちらも通常のJMPです。
