JMP® 16 时间序列平台更新 (2021-EU-45MP-745)级别：中级
Peng Liu，JMP 首席研究统计师开发人员，SAS
曹健，JMP 首席系统工程师，SAS
本演讲将对两个时间序列相关平台的主要更新进行全面回顾。 更具体地说，更新包括基于预测性能的模型选择方法、用于研究最近添加的状态空间平滑模型的增强功能以及使用 Box-Cox 变换时间序列的分析功能。 我们将解释开发工作背后的动机，以帮助识别新功能的有趣用例。 我们将提供一些示例来说明如何使用这些新功能的多种可能性。 JMP 16 代表了时间序列平台的重大升级。 配备了这些新功能，JMP 为时间序列分析中许多有趣的新发现打开了大门。
自动生成的成绩单...
扬声器 | 成绩单 |
| 这次演讲是为了强调一些 |
| 00 | 11.600 |
| 3 |
| 时间序列平台。 三个是 |
| 来自时间序列平台和 |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| 我们需要博克斯·考克斯吗 |
| 变换时间序列？ |
| 我们来看一下数据 |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 也称为航空公司 |
| 乘客数据集。 |
| 原系列是 |
| 00 | 23.900 |
| 23 |
| 模型来自. |
| 为什么？ 我们先来看一个剧情... |
| 00 | 43.433 |
| 27 |
| 越来越大。 还有这个系列 |
| 无法处理 |
| 00 | 01.666 |
| 31 |
| 在第二张图片中。 所以 |
| 变化没有改变 |
| 与不同的时间系列？？？ |
| 00 | 20.266 |
| 36 |
| 所以在文学中人们会 |
| 说，好吧，我们会转变 |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| 在这种情况下，变换比例 |
| 在这里，它是对数刻度。 |
| 将其发送到逆向 |
| 00 | 04.366 |
| 49 |
| 转换。 |
| 过去……过去 |
| 00 | 21.966 |
| 53 |
| 简化整个过程。 |
| 你需要做的就是把 |
| 00 | 39.133 |
| 57 |
| 需要做模型，制作 |
| 预测，然后是软件， |
| 00 | 55.933 |
| 61 |
| 将把乘客日志放入 Y， |
| 但现在我们不必这样做。 我们 |
| 00 | 15.033 |
| 66 |
| 进入考克斯盒子 |
| 变换参数 Lambda。 |
| 零，这意味着它是一个日志 |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 红色小三角菜单，然后单击 |
| ARIMA 或季节性 ARIMA。 |
| 00 | 01.766 |
| 78 |
| 季节性部分为 12。 |
| 没有拦截。 点击 |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| 预测照顾 |
| 逆变换。 这 |
| 00 | 49.600 |
| 91 |
| 将在此显示。 |
| 情节和预测有 |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| 模型是及时的主力 |
| 系列预测平台。 |
| 他们可以适应并预测很多 |
| 00 | 35.733 |
| 39.633 |
| 104 |
| 性能在某种程度上是可比的 |
| 到预测 |
| 00 | 59.366 |
| 110 |
| 111 |
| 研究为什么......为什么是这种类型 |
| 模型的工作原理以及为什么有些 |
| 00 | 18.600 |
| 115 |
| 116 |
| 将模型输入到时间序列中 |
| 平台旨在 |
| 00 | 43.900 |
| 120 |
| 未知数的函数 |
| 状态，未观察到的状态。 这里在 |
| 00 | 01.000 |
| 124 |
| 变量和误差项 |
| 通过任一加法运算 |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| state 是电平状态时间 |
| 系列。趋势状态形成 |
| 00 | 40.733 |
| 134 |
| 135 |
| 州，也是其中之一 |
| 以前的季节性状态。 和 |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 之前的趋势状态将 |
| 转向下一个。 |
| 趋势状态和水平状态 |
| 00 | 25.966 |
| 146 |
| 指向另一个时间点。 和 |
| 还有更多的箭头... |
| 状态转换比 |
| 00 | 49.700 |
| 152 |
| 系列到 Y 并单击“确定”。 |
| 为了适应这种类型的模型，我们 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| 设置好，我要输入12 |
| 期间。 |
| 我将点击“选择” |
| 推荐按钮。 |
| 从加性误差模型和 |
| 00 | 47.666 |
| 169 |
| 这个特别的集合，我要去 |
| 单击约束参数 |
| 00 | 05.966 |
| 173 |
| 推荐适合这些的型号 |
| 这些时间序列的类型和 |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| AIC 较小的型号和 |
| 我的眼睛在前两个 |
| 00 | 52.300 |
| 184 |
| 楷模。并让我 |
| 叠加预测 |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 从原始时间序列 |
| 更好。 |
| 所以按照我的喜好，我会 |
| 00 | 45.133 |
| 198 |
| 不同之处？ 让我打开 |
| 第一个 MAA...MAM。 |
| 我们就往下面走吧。 这 |
| 00 | 05.533 |
| 10.666 |
| 204 |
| 这个 | 组件状态。 |
| 这是专门为此 |
| 00 | 32.900 |
| 209 |
| 第一个字母。 |
| 并且趋势是相加的 |
| 00 | 50.233 |
| 213 |
| 本报告的第二部分是 |
| ...是状态组件 |
| 00 | 06.100 |
| 217 |
| 部分是预测 |
| 这个特定的状态。 |
| 时间序列的周期 |
| 00 | 27.500 |
| 222 |
| 223 |
| 有增加的模式 |
| 过去。 还在不断增加 |
| 00 | 48.266 |
| 227 |
| 系列和模式继续 |
| 面向未来，而这 |
| 00 | 03.466 |
| 第231章 |
| 观察到，但预测是 |
| 平坦的。这让我很烦恼。 |
| 现在我们看第二个 |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 状态组件图。 级别为 |
| 过去增加了 |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 第247章 |
| 248 |
| 未来。这个比较合理 |
| 我能接受的情节。 也是如此 |
| 00 | 14.866 |
| 第252章 |
| 到第二张幻灯片。 |
| 这张幻灯片，然后是下一张 |
| 00 | 45.100 |
| 第259章 |
| 关于解释预测 |
| 来自这个模型...这种类型 |
| 楷模。在这里我想 |
| 00 | 01.933 |
| 07.233 |
| 265 |
| 向上。我在这里列出了其中的一半。 |
| 哦，差不多一半了。 所以让我们重点关注 |
| 00 | 27.033 |
| 30.800 |
| 第271章 |
| 一些增长趋势并将 |
| 到最后逐渐变细。 |
| 另一方面，我们可以 |
| 00 | 54.233 |
| 第277章 |
| 使用这个从预测中看到 |
| 类型模型。 如果季节性 |
| 不参与。 当我 |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 第284章 |
| 第285章 |
| 第286章 |
| 第一个，这是 |
| 如果季节性因素，则预测持平 |
| 00 | 46.833 |
| 51.266 |
| 第291章 |
| 呈线性增加 |
| 模式等等 |
| 与其他人类似。 现在 |
| 00 | 06.800 |
| 12.566 |
| 第297章 |
| 它只是在增加。 |
| 应用后 |
| 00 | 34.033 |
| 第302章 |
| 乘法季节性 |
| 我们不断增加的顶部 |
| 00 | 48.966 |
| 306 |
| 这种类型...不同类型的 |
| 形状 | 平坦的 |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 第312章 |
| 我们得到那些不同的...不同的 |
| 形状。所以我重新进入？？？ |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 我们最终看到的 |
| 预测。 |
| 你有平面图案或 |
| 00 | 00.733 |
| 323 |
| 参数。于是我分开了 |
| 这些部分还有我 |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 第329章 |
| 330 |
| 趋势通常看起来平坦， |
| 我们会得到增加 |
| 水平状态下的图案。 |
| 当它是线性的并且 |
| 当它弯曲时。 |
| 这一切都取决于如何 |
| 00 | 52.233 |
| 57.666 |
| 第339章 |
| 增加或减少 |
| 水平呈指数级增长。 所以这是 |
| 00 | 13.466 |
| 第343章 |
| 是精简的并将其视为 |
| 复利如果 |
| 如果水平状态增加 |
| 00 | 32.466 |
| 第348章 |
| 他们做出预测，他们试图... |
| 尽量不要过度 |
| 或低于预测 |
| 00 | 59.833 |
| 第355章 |
| 如何解释 |
| 来自州的预测 |
| 00 | 20.133 |
| 第359章 |
| 第二个，这些都不是 |
| 模型是静止的。 他们是 |
| 00 | 37.466 |
| 第364章 |
| 所以如果你正在考虑这些 |
| 时间序列。 事物 |
| 00 | 55.566 |
| 59.600 |
| 第369章 |
| 第三个，如果你看到的话 |
| 那个时间序列不是 |
| 00 | 12.000 |
| 第373章 |
| 第374章 |
| 导致...的结果 |
| 适合的下一张幻灯片 |
| 00 | 31.933 |
| 第378章 |
| 跨类型比较 |
| 模型要小心。 |
| 这张幻灯片旨在展示如何... |
| 00 | 51.800 |
| 第383章 |
| 是预测。 |
| 同样，我绘制了我的 |
| 00 | 07.400 |
| 第387章 |
| 应用这些类型的状态空间 |
| 将模型平滑至平稳 |
| 时间序列？ 这里我模拟一个 |
| 00 | 32.633 |
| 第393章 |
| 第394章 |
| 第395章 |
| 这个时间序列的模型， |
| 最好的模型原来是在 |
| 00 | 54.266 |
| 第399章 |
| 400 |
| 相当不同，因为它是 |
| 随机游走模型和 |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 第408章 |
| 本演示文稿中的特色 |
| 预测受阻。 |
| 此功能可以让您 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 第415章 |
| 第416章 |
| 第417章 |
| 第418章 |
| 一个来自另一个模型。 |
| 然后你可以比较这些 |
| 00 | 11.833 |
| 第423章 |
| 第424章 |
| 激活此功能。 然后我 |
| 需要指定 |
| 阻碍的长度 |
| 00 | 35.200 |
| 38.466 |
| 第430章 |
| 第431章 |
| 第432章 |
| 单击选择推荐， |
| 并检查约束 |
| 00 | 06.433 |
| 第438章 |
| 第439章 |
| 该系列的一部分， |
| 我们列出了阻碍 |
| 00 | 26.000 |
| 第443章 |
| 第444章 |
| 默认情况下，但你可以 |
| 总是改变你的指标 |
| 00 | 39.900 |
| 44.866 |
| 第449章 |
| 报告类似于 |
| 从分析中得到的 |
| 结果没有激活这个 |
| 00 | 05.433 |
| 第454章 |
| 第455章 |
| 让我总结一下 |
| 我们从中学到了什么 |
| 00 | 25.566 |
| 第459章 |
| 性能超过阻碍 |
| 数据。但这些标准是 |
| 00 | 41.366 |
| 第463章 |
| 过程。我们看到的是 |
| 和我们使用的方式不一样 |
| 00 | 57.700 |
| 第467章 |
| 模型拟合的一部分 |
| 过程，所以这是一个东西 |
| 00 | 17.000 |
| 第471章 |
| 阻止评估 |
| 根据各自的不同型号 |
| 预测性能。 所以我们 |
| 00 | 32.033 |
| 35.366 |
| 第478章 |
| 列是时间序列 |
| 指标。 Y是时间序列 |
| 00 | 55.666 |
| 第482章 |
| 总结数据集，或者 |
| 时间或时间序列，通过 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 第488章 |
| 第489章 |
| 规格或更改 |
| 模型选择策略，我们 |
| 00 | 39.200 |
| 第494章 |
| 检查...更改中的选择 |
| 第一个组合框进行预测 |
| 表现。然后我们可以选择 |
| 预测绩效 |
| 00 | 04.633 |
| 500 |
| 我们想要预测。 但是你可以 |
| 选择任何...更改为任何 |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| 使用训练 |
| 时间序列，选择最好的 |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| 系列平台。 首先分析一下 |
| Box Cox 变换时间序列。 |
| 第二个是fit状态 |
| 00 | 27.666 |
| 第521章 |
| 第522章 |
| 以及并将其用作 |
| 及型号选择方法。 |
| 非常感谢。 |
爆发数据探索预测建模回复：JMP® 16 时间序列平台更新 (2021-EU-45MP-745)@弗兰克德鲁伊克回复较晚，抱歉 。 要获得全部优势，您需要 JMP 16。 不过，JMP 15 中提供了大多数新的时间序列预测功能。时间序列和时间序列预测平台都是常规 JMP。
回复：JMP® 16 时间序列平台更新 (2021-EU-45MP-745)非常好的、有用的演示，解释得很好；用户友好的方法，ARIMA 的有力竞争者！
我有一些工业过程的时间序列，并将尝试一下。 我现在有 jpm pro 15，但我需要 pro 16，对吗？
