398683_de-DE

liliconcom

Welche Prognosen sollte ich verwenden? Ein Add-In zum Vergleich von ARIMA- und Zustandsraumglättungsmodellen (2021-US-30MP-845)

Niveau: Anfänger

 

Jacob Rhyne, Senior Analytics Software Tester, JMP

 

Die Zeitreihenplattform in JMP ermöglicht es Benutzern, Zeitreihendaten zu untersuchen und zukünftige Beobachtungen vorherzusagen. Zwei beliebte Modellklassen, ARIMA-Modelle und State Space Smoothing-Modelle, sind beide in JMP 16 verfügbar. JMP-Benutzer möchten möglicherweise eine Reihe von ARIMA-Modellen sowie eine Reihe von Zustandsraumglättungsmodellen anpassen und ein Modell für die Vorhersage auswählen. Die Wahl zwischen einem ARIMA- und einem ETS-Modell kann jedoch eine schwierige Aufgabe sein. Während Modelle derselben Klasse miteinander verglichen werden können, können ARIMA- und Zustandsraumglättungsmodelle nicht direkt mit einem Modellauswahlkriterium wie AIC verglichen werden. Ein Add-In, das Benutzern bei der Auswahl zwischen ARIMA- und State Space Smoothing-Modellen hilft, wird vorgestellt. Das Add-In ermöglicht JMP-Benutzern, Modellklassen mithilfe von Zeitreihen-Kreuzvalidierung zu vergleichen oder Kandidatenmodelle mithilfe einer Testreihe zu bewerten. Nach einem Überblick über ARIMA- und State Space Smoothing-Modelle in JMP zeigt diese Präsentation, wie das Add-In verwendet werden kann, um zu empfehlen, welches Modell für die Vorhersage verwendet werden soll.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
	Hallo, vielen Dank, dass Sie sich die Zeit genommen haben, dies zu sehen. Mein Name ist Jacob Rhyne. Ich bin Softwaretester für JMP. Heute stelle ich Ihnen ein Add-In vor, das ich geschrieben habe, um Ihnen bei der Auswahl zwischen einem ARIMA-Modell oder einem State Space Smoothing-Modell in der Time Series-Plattform in JMP zu helfen.
	Ich beginne also mit einem kurzen Überblick über die Anpassung von ARIMA- und State Space Smoothing-Modellen in die Time Series-Plattform.
	Ich werde die Notwendigkeit eines Add-Ins vorstellen, um die Auswahl zwischen diesen beiden Modellklassen zu erleichtern. Und geben Sie einen Überblick über die Zeitreihen-Kreuzvalidierung, die das Hauptwerkzeug des Add-Ins ist. Dann schließe ich mit der Demo des Add-Ins mit JMP 16.1.
	Die Zeitreihenplattform in JMP ermöglicht es Benutzern, viele verschiedene Zeitreihenmodelle anzupassen. Der Schwerpunkt dieser Präsentation liegt auf ARIMA- und State Space Smoothing-Modellen, und ich werde zeigen, wie diese beiden anhand dieser Steel Shipments-Beispieldaten angepasst werden können.
	Die Beispieldaten zu Stahllieferungen enthalten monatliche Gesamtzahlen der US-Stahllieferungen von 1984 bis 1991. Und ich werde dies mit der Time Series-Plattform im Specialized Modeling-Menü erkunden.
	Die Spalte Stahllieferungen ist meine Zeitreihe. Die Datumsspalte ist meine Zeit-ID. Nehmen wir an, ich interessiere mich für die Vorhersage der Stahllieferungen der nächsten zwei Jahre. Da es sich um monatliche Daten handelt, benötige ich also 24 Prognosezeiträume. Und ich klicke auf OK, um meinen Zeitreihenbericht zu starten.
	Sie können sehen, dass ich bei den Zeitreihen einige grundlegende Statistiken der Reihe sowie einige grundlegende Zeitreihendiagnosen grafisch dargestellt habe.
	Ich möchte ein ARIMA-Modell an diese Serie anpassen, und wenn ich ein ARIMA-Modell anpasse, muss ich entscheiden, ob ich irgendwelche Transformationen oder Differenzierungen vornehmen muss. Daher verwende ich die Option „Differenz“ im Menü „Zeitreihen“, um dies zu untersuchen.
	Ich beginne mit einer nicht saisonalen Differenzierung der ersten Bestellung und klicke auf Schätzung.
	Jetzt habe ich einen Plot der Differenzserie. Es sieht besser aus, da es stationärer ist, aber ich habe hier immer noch eine gewisse Saisonalität. Und das kann ich anhand der Diagnose feststellen. Ich gehe runter zu Lag Nummer 12.
	Ich kann sehen, dass der Autokorrelationswert hoch ist und die partielle Autokorrelation auch für Lag 12 etwas hoch ist. Dies legt also nahe, dass ich ein saisonales ARIMA-Modell mit nicht-saisonalen und saisonalen Unterschieden anpassen sollte.
	Ich werde diesen Differenzbericht schließen, um meinen Bericht sauber zu halten. Und ich werde die Anpassung einiger verschiedener ARIMA-Modelle mit der ARIMA-Modellgruppenoption untersuchen.
	Also habe ich beschlossen, dass ich ein saisonales ARIMA-Modell mit einer nicht-saisonalen Differenzierungsordnung von eins und einer saisonalen Differenzierungsordnung von eins anpassen möchte. Aber für die autoregressiven und gleitenden Durchschnittsorders lasse ich sie entweder null oder eins sein.
	Wenn ich also auf Schätzung klicke, passt JMP zu diesen 16 verschiedenen saisonalen ARIMA-Modellen. Ich kann zum Modellvergleichsfenster nach unten scrollen und diese Modelle anzeigen. Die Modelle sind in absteigender Reihenfolge nach AIC sortiert, daher wähle ich das Modell aus, das die AIC minimiert.
	Ich kann nach unten scrollen und mir das Modell und den Bericht ansehen. Ich kann sehen, dass es stabil und invertierbar ist. Ich könnte die Parameterschätztabelle durchsehen. Sehen Sie sich die Prognose und die Prognoseintervalle an.
	Nehmen wir an, ich habe all diese Diagnosen durchgesehen und bin mit diesem saisonalen ARIMA-Modell als Kandidaten für die Prognose zufrieden.
	Daher werde ich diese anderen saisonalen ARIMA-Modelle aus dem Bericht entfernen.
	Und sagen wir, ich möchte auch erwägen, ein Zustandsraum-Glättungsmodell zu verwenden, um eine Vorhersage zu erstellen, dies kann ich tun, indem ich die Option Zustandsraum-Glättung aus dem Zeitreihenmenü verwende.
	Ich muss sagen, dass der Zeitraum 12 beträgt, da es sich um monatliche Daten handelt, und ich werde einfach alle empfohlenen Zustandsraumglättungsmodelle für diese Zeitreihe anpassen.
	Ich klicke also auf OK, um das auszuführen, wenn ich nach unten zum Modellvergleichsbericht scrolle, kann ich sehen, dass JMP alle empfohlenen Zustandsraumglättungsmodelle angepasst hat. Sie sind wieder absteigend nach AIC sortiert.
	Das Modell, das AIC minimierte, war also ein multiplikatives Fehlermodell ohne Trend und multiplikative Saisonalität. Also wähle ich dieses Modell aus
	in der Modellvergleichsübersicht und scrollen Sie nach unten, um einen Blick auf die Modellanpassung zu werfen.
	Damit ich die Modellzusammenfassung durchsehen kann, kann ich mir die Tabelle der Parameterschätzungen ansehen.
	Sie können die Prognose und die Prognoseintervalle anzeigen. Nehmen wir an, ich habe all diese Diagnosen durchgesehen und bin mit diesem Zustandsraum-Glättungsmodell als Kandidaten für die Vorhersage zufrieden.
	Also entferne ich das andere Zustandsraum-Smothing-Modell aus meinen Modellen und aus meinem Modellvergleichsfenster.
	Nun stellt sich die Frage, wie ich zwischen diesem ARIMA-Modell, das ich in Betracht ziehe, und dem State Space Smoothing-Modell wähle, das ich für die Vorhersage in Betracht ziehe.
	Sie können sehen, dass ich diese Lesetextwarnung habe, die mir sagt, dass wahrscheinlichkeitsbasierte Kriterien zwischen den verschiedenen Modellklassen nicht vergleichbar sind.
	Und das bedeutet, dass ich nicht einfach blättern und den AIC anzeigen kann und sagen kann, da der AIC niedriger ist, werde ich ihn für das ARIMA-Modell für die Vorhersage verwenden.
	Das ist keine gültige Entscheidung. Also was mache ich? Nun, es gibt bereits eine Option in JMP. Wenn Ihre Daten lang genug sind.
	Um einen Holdback einzurichten, können Sie beim Starten der Time Series-Plattform die Option Forecast on Holdback verwenden.
	Und dies würde zu allen Zeitreihenmodellen passen, die Sie für das Trainingsset verwendet haben. Und im Modellvergleichsfenster, anstatt die Modelle nach AIC zu sortieren,
	es sortiert die Modelle nach dem quadratischen Mittelwertfehler oder RMSE des Holdback-Satzes und Sie würden das Modell wählen, das den RMSE des Holdback-Satzes minimiert.
	Wenn Ihre Daten jedoch nicht lang genug sind, um einen Holdback-Satz zu verwenden, können wir die Option „Prognose bei Holdback“ nicht verwenden und benötigen eine andere Methode, die uns bei der Auswahl zwischen einem ARIMA-Modell oder einem State Space Smoothing-Modell hilft.
	Und dies zu tun.
	Aus diesem Grund habe ich das Add-In erstellt. Das Add-In hilft Ihnen also bei der Auswahl, indem es eine sogenannte Zeitreihen-Kreuzvalidierung verwendet.
	Die Kreuzvalidierung von Zeitreihen unterteilt Ihre Zeitreihen im Wesentlichen in mehrere Trainings- und Testsätze, wobei jede nachfolgende Gruppe den Trainingssatz um eine Zeile erweitert.
	Ich werde kurz ein detailliertes Beispiel für die Kreuzvalidierung von Zeitreihen geben, aber ich möchte darauf hinweisen, dass ich diese Methode nicht erfunden habe. Wenn Sie mehr darüber erfahren möchten,
	Nach dem Betrachten dieses Vortrags ist dies eine Ressource, die ich für Prognoseprinzipien und -praxis von Dr. Rob Hyndman empfehlen würde.
	Sehen wir uns jedoch ein Beispiel für die Kreuzvalidierung von Zeitreihen an.
	Nehmen wir an, ich habe Daten zu den nordamerikanischen Kinokassenergebnissen für Januar bis Juli 2021, weil ich ein Filmfan bin.
	Und ich möchte die nächsten sechs Wochen an der Abendkasse vorhersagen, entweder mit einem ARIMA-Modell oder einem State Space Smoothing-Modell. Und um zu entscheiden, welche Prognose verwendet werden soll, möchte ich die Zeitreihen-Kreuzvalidierung verwenden.
	Wie bereits erwähnt, wird die Zeitreihen-Kreuzvalidierung Ihre Daten in Gruppen von Trainings- und Testsätzen unterteilen, wobei Sie den Trainingssatz um eine Zeile und jede nachfolgende Gruppe erweitern.
	Ich muss also entscheiden, wie viele Zeilen ich in meinem anfänglichen Trainingssatz haben möchte.
	Standardmäßig werden Sie mit meinem Add-In sechs Zeitreihen-Kreuzvalidierungsgruppen haben. Dadurch erhalten Sie eine empfohlene Anzahl von Standardzeilen, die Sie in Ihrem anfänglichen Trainingssatz verwenden können, aber Sie können sie gerne ändern, wenn Sie möchten.
	Für dieses Beispiel behalte ich den Standardwert von 17 Anfangszeilen im Trainingssatz bei.
	Wenn Sie das Zeitreihen-Kreuzvalidierungs-Add-In starten, erhalten Sie einen Standard-Zeitreihenbericht. Es wird jedoch auch ein Gliederungsfeld für Ihre Zeitreihen-Kreuzvalidierungssteuerelemente am unteren Rand des Berichts angehängt.
	Hier müssen Sie also die Anzahl der Anfangszeilen angeben, d. h. die Anzahl der Zeilen in Ihrem ersten Trainingssatz, die gewünschte Prognoselänge und den Zeitraum, wenn Sie saisonale Modelle anpassen möchten.
	Ich behalte also den Standardwert von 17 Zeilen im Trainingssatz bei, der es mir ermöglicht, sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen zu verwenden.
	Ich werde eine Prognoselänge von sechs haben, weil ich die nächsten sechs Wochen an der Abendkasse prognostizieren möchte. Und hier werde ich den Zeitraum gleich dem fehlenden Zeitraum belassen, da ich keine saisonalen Modelle für diese speziellen Daten anpassen werde.
	Sehen wir uns also die erste Kreuzvalidierungsgruppe für Zeitreihen an.
	Sie können sehen, dass ich in meinem ersten Trainingssatz 17 Reihen habe und die nächsten sechs Reihen mein Testsatz sind.
	Was mein Add-In tun wird, ist, dass es alle ARIMA-Modelle, die ich angefordert habe, in das Trainingsset einpasst. Und es passt die empfohlenen Zustandsraumglättungsmodelle an den Trainingssatz an.
	Es wird das beste Modell jeder Klasse von AIC auswählen und meine Vorhersagen zu ausgewählten Modellen in das Testset aufnehmen und den Vorhersagefehler bewerten.
	Die zweite Zeitreihen-Kreuzvalidierungsgruppe wird das Trainingsset um eine Reihe erweitern, also ist mein Trainingsset jetzt
	bestehend aus den Reihen eins bis 18 und die nächsten sechs Reihen sind mein Testset. Und dann wiederhole ich den Vorgang, den ich in der ersten Zeitreihen-Kreuzvalidierungsgruppe gemacht habe.
	Ich passe alle angeforderten ARIMA-Modelle an, die vom Benutzer angefordert wurden, und passe die empfohlenen State Space Smoothing-Modelle an. Wählen Sie das beste Modell der AIC-Prognose in das Testset aus und speichern Sie den Prognosefehler.
	Und das mache ich so lange, bis ich alle meine Daten verbraucht habe. Die letzte Kreuzvalidierungsgruppe der Zeitreihen für dieses Beispiel würde also die Zeilen eins bis 22 für den Trainingssatz verwenden und dann den Rest der Daten, die letzten sechs Zeilen, als Testsatz verwenden.
	Ich habe also erwähnt, dass ich den Prognosefehler für jede Zeitreihen-Kreuzvalidierungsgruppe speichere.
	Das Add-In meldet den Gesamt-RMSE, MAE und MAPE für die beiden Modellklassen und gibt Ihnen ein Diagramm des RMSE für jede Zeitreihen-Kreuzvalidierungsgruppe.
	Und Sie können diese Tabelle und dieses Diagramm verwenden, um Ihnen bei der Entscheidung zu helfen, ob jedes Modell für die Vorhersage oder die Modellvorhersage mit Zustandsraumglättung geeignet ist.
	Sehen wir uns das Add-In mit diesen Daten in Aktion an.
	Also öffne ich meine Kassendaten, die ich von Box Office Mojo erhalten habe, und ich werde einfach dieses Skript ausführen, das einfach die Time Series-Plattform für diese Daten startet, weil ich mir nur die Time Series ansehen möchte.
	Ich prognostiziere das durchschnittliche Brutto an der Abendkasse pro Woche und ich kann sehen, dass die Varianz im Laufe der Wochen zunimmt und das durchschnittliche Brutto größer wird, und daher würde ich gerne eine Log-Transformation vornehmen
	zum Durchschnittsbrutto. Ich kann das tun, indem ich eine Log-Formelspalte für das durchschnittliche Brutto erstelle, aber
	Es ist nicht notwendig, das Add-In bietet Ihnen die Möglichkeit, eine Box Cox-Transformation durchzuführen, genau wie bei der Standard-Zeitreihenplattform. Also starte ich mein Add-In, klicke hinter den Haftungsausschluss. Ich möchte die durchschnittliche Schließung der Abendkasse pro Woche für die nächsten sechs Wochen vorhersagen.
	und ich möchte eine logarithmische Transformation auf das durchschnittliche Brutto vornehmen, also verwende ich eine Box Cox-Transformation mit Lambda gleich Null.
	Und ich werde auf OK klicken.
	Damit wird der Standardzeitreihenbericht für die transformierte Antwort von Box Cox gestartet. Ich könnte jede Art von Zeitreihenmodellen anpassen, die in JMP mit diesem roten Dreiecksmenü verfügbar sind.
	Aber stattdessen gehe ich zum Ende des Berichts und verwende die Zeitreihen-Kreuzvalidierung, um eine Empfehlung zu erhalten, ob ich ein ARIMA-Modell oder ein Zustandsraum-Glättungsmodell anpassen sollte.
	Ich belasse die Anfangszeilen bei 17, da ich damit sechs Zeitreihen-Kreuzvalidierungsgruppen bekomme, die ich gerade im vorherigen Beispiel gezeigt habe.
	Ich werde eine Prognoselänge von sechs beibehalten, weil ich die nächsten sechs Wochen an der Abendkasse prognostizieren möchte und den Zeitraum für dieses Beispiel gleich dem fehlenden Zeitraum belassen werde.
	Also klicke ich auf Ausführen und muss jetzt sagen, welche ARIMA-Modelle ich in jede Zeitreihen-Kreuzvalidierungsgruppe einfügen möchte. Also beschließe ich, dass ich die nicht-saisonale Differenzierung von eins verwenden möchte, aber ich lasse autoregressive und gleitende Durchschnittsbestellungen entweder null oder eins sein.
	Wenn ich also auf Schätzen klicke, wird jede Zeitreihen-Kreuzvalidierungsgruppe zu diesen vier ARIMA-Modellen und den empfohlenen Zustandsraum-Glättungsmodellen passen.
	Ich klicke also auf Schätzung, was das Add-In tut, ist, diesen Datensatz in meine sechs Zeitreihen-Kreuzvalidierungsgruppen zu erweitern, die angeforderten Modelle an die Trainingssatz-Prognose im Test-Set anzupassen und den Prognosefehler zu speichern.
	Also scrolle ich nach unten und schaue mir die Ergebnisse an. Sie können der Tabelle entnehmen, dass die ARIMA-Modelle insgesamt niedrigere RMSE, MAE und MAPE erzeugten als die State Space Smoothing-Modelle. Und wenn ich mir die Handlung ansehe
	Ich kann sehen, dass die ARIMA-Modelle für jede Zeitreihen-Kreuzvalidierungsgruppe einen niedrigeren RMSE erzeugten.
	Dieses Add-In empfiehlt daher die Verwendung eines ARIMA-Modells, um Vorhersagen für diese Daten zu erstellen, anstelle eines Zustandsraum-Smothing-Modells. So kann ich zum roten Dreiecksmenü gehen und ein ARIMA-Modell mit der ARIMA-Modellgruppenoption ausstatten.
	Sehen wir uns ein weiteres Beispiel für das Add-In an, und für dieses nächste Beispiel verwende ich eine Teilmenge der MC3 Quarterly-Beispieldaten.
	Die MC3-Quarterly-Beispieldaten enthalten Daten für etwas mehr als 100 verschiedene Zeitreihen des MC3-Modellierungswettbewerbs. Die Serien sind alle vierteljährlich.
	Ich denke, dies ist ein interessanter Datensatz, nur weil er so viele verschiedene Zeitreihen enthält. Aus Zeitgründen habe ich in diesem Vortrag jedoch nur eine zufällige Teilmenge von drei der Serien von der Tabelle genommen.
	Also starte ich mein Add-In.
	Und richte den Launcher ein. Meine Y-Spalte ist meine Zeitreihe, Zeit ist die Zeit-ID. Und da ich Daten für mehrere Serien habe, muss ich die Option by für die Serienspalte verwenden. Nehmen wir noch einmal an, dass ich die nächsten zwei Jahre prognostizieren möchte, also gebe ich acht Prognosezeiträume ein und klicke auf OK.
	Dies brachte erwartungsgemäß den Zeitreihenbericht für alle verschiedenen Reihen in meiner Tabelle hervor. Und ich habe auch eine Zeitreihen-Kreuzvalidierungskontrolle für jede Reihe in der Tabelle.
	Ich könnte also für jede dieser Reihen eine Zeitreihen-Kreuzvalidierung verwenden, um eine Empfehlung für die Verwendung eines ARIMA-Modells oder eines Zustandsraum-Glättungsmodells für die Vorhersage zu erhalten.
	Aus Zeitgründen mache ich das nur für die erste Serie. Ich werde einen Zeitraum von vier verwenden, da ich saisonale Modelle für diese Serie anpassen möchte. Ich klicke auf Ausführen.
	Ich werde also eine nicht-saisonale Differenzierungsordnung von Eins verwenden, aber alle anderen autoregressiven gleitenden Durchschnitte und die saisonale Differenzierungsordnung lasse ich von Null oder Eins reichen.
	Stellen Sie den Beobachtungszeitraum auf vier ein, da dies wiederum vierteljährliche Daten sind. Was also passiert, wenn ich auf Schätzung klicke, ist, dass es zu diesen 32 ARIMA-Modellen passt
	in jeder der Zeitreihen-Kreuzvalidierungsgruppen. Das Add-In wird also dorthin gehen, wo die Serie N 691 ist.
	Es erweitert es in sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen. Es passt meine gewünschten ARIMA-Modelle zum Trainingsset. Die empfohlenen Zustandsraumglättungsmodelle für den Trainingssatz.
	Auswahl des besten Modells von AIC. Prognose in die Testreihe und Speicherung des Prognosefehlers.
	Ich gebe ihm eine Sekunde, um es zu beenden.
	Auf geht's.
	Und ich kann scrollen und die Ergebnisse anzeigen. Wie Sie der Tabelle entnehmen können, erzeugten die ARIMA-Modelle also niedrigere RMSE, MAE und MAPE als die Zustandsraum-Glättungsmodelle.
	Und aus dem Plot kann ich sehen, dass die ARIMA-Modelle in allen außer der letzten Kreuzvalidierungsgruppe der Zeitreihen einen niedrigeren RMSE hatten
	als ein Zustandsraum-Glättungsmodell, und in der letzten Gruppe war es ziemlich gleich.
	Es ist also wieder eine Zeitreihen-Kreuzvalidierung und würde empfehlen, ein ARIMA-Modell zu verwenden, um eine Prognose für die Reihe N 691 zu erstellen. Und Sie können zu den anderen verschiedenen Serien gehen und den Vorgang wiederholen. Für diese empfiehlt es sich möglicherweise, ein Modell zur Glättung des Zustandsraums zu verwenden.
	Also beende ich die Demo, indem ich zeige, dass eine andere Funktion des Add-Ins eigentlich nichts mit der Kreuzvalidierung von Zeitreihen zu tun hat.
	Ich habe Ihnen auch die Möglichkeit gegeben, eine Testreihe zu verwenden, um die Prognose mit dem Add-In auszuwerten, und ich werde dies noch einmal anhand der Steel Shipments-Beispieldaten zeigen. Also starte ich mein Add-In. Okay, ich möchte die Stahllieferungen nach Datum prognostizieren.
	Nehmen wir an, ich möchte die nächsten zwei Jahre vorhersagen, also nehmen Sie 24 Vorhersagezeiträume und, wie bereits erwähnt, wenn Ihre Reihe lang genug ist, können Sie für einen Holdback-Satz die Option „Prognose auf Holdback“ verwenden
	Modelle auszuwählen. Da ich dies tue, brauche ich die Zeitreihen-Kreuzvalidierung nicht wirklich zu verwenden. Ich kann also die Option Trainingstestsatz verwenden
	ein unabhängiges Test-Set zu haben, um das von mir gewählte Modell zu bewerten. Ich entscheide, dass die Länge meines Testsatzes 12 sein soll.
	Dies bedeutet, dass die letzten 12 Zeilen meiner Daten vollständig aus meiner Analyse herausgenommen werden, damit ich damit die Leistung meiner Prognosen bewerten kann. Also klicke ich okay.
	Und Sie können sehen, dass ich der Tabelle eine weitere Spalte hinzugefügt habe. Es ist nur eine Indikatorspalte für die Testreihe, wobei sie gleich Eins ist, wenn die Zeile in der Testreihe enthalten ist, und Null, wenn dies nicht der Fall ist.
	Und es passt diese Zeitreihenmodelle nur an Zeilen an, in denen die Testmenge gleich Null ist. Dadurch kann ich die Unabhängigkeit vom Testset bewahren.
	Passen wir also einige ARIMA-Modelle an diese Daten an. Ich verwende die gleichen Steuerelemente wie zu Beginn dieses Vortrags mit einer saisonalen und nicht saisonalen Differenzierungsreihenfolge von Eins, lasse jedoch jede andere Reihenfolge von Null bis Eins reichen.
	Ich klicke also auf Schätzung, um diese 16 verschiedenen saisonalen ARIMA-Modelle auszuführen, und passe auch die empfohlenen Raumglättungsmodelle für Zustände an.
	Ich scrolle also nach unten zum Modellvergleichsfenster und sehe, dass das Modell, das den quadratischen Mittelwertfehler im Holdback-Satz minimiert, das Zustandsraum-Glättungsmodell mit additivem Fehler, kein Trend und additiver Saisonalität war.
	Nehmen wir an, ich bin auch nur daran interessiert, wie das ARIMA-Modell mit der besten Leistung im Testsatz abschneiden würde. Ich kann es auch auswählen.
	Und ich werde die anderen Modelle entfernen, die ich nicht mehr für die Prognose berücksichtige.
	Ich habe also wieder die Option "Vorhersage beim Zurückhalten" verwendet, also würde ich dieses Zustandsraum-Glättungsmodell für die Vorhersage wählen, aber ich bin nur neugierig, wie das ARIMA-Modell im Testsatz abschneiden würde.
	So kann ich nach unten zu meiner Test-Set-Analysebox scrollen. Und da ich die Option "Prognose bei Holdback" verwendet habe, werden diese beiden ausgewählten Modelle an die kombinierten Trainings- und Holdback-Daten angepasst, um die aktualisierten Parameter zu erhalten.
	Und dann wird es in den Testsatz prognostizieren und bewerten, wie die Vorhersage im Vergleich zu den tatsächlichen Testsatzdaten abgeschnitten hat.
	Ich klicke also auf Ausführen, um diese Analyse durchzuführen. Und ich kann sehen, dass ich eine Tabelle des Testsatzes RMSE, MAE und MAPE und eine grafische Darstellung des Testsatzes im Vergleich zur Prognose habe.
	Ich kann sehen, dass das State Space Smoothing Model nicht nur im Holdback-Set besser abschneidet, sondern auch im Test-Set besser abschneidet. Diese Option für die Testreihenanalyse bietet Ihnen also nur ein Werkzeug zur Bewertung der Leistung Ihrer Modellanpassung.
	Also nur um es zusammenzufassen. Mit dem Add-In können Sie eine Zeitreihen-Kreuzvalidierung durchführen.
	Ich denke, dieses Add-In könnte für Sie nützlich sein, wenn Sie über Zeitreihendaten verfügen, die nicht lang genug sind, um die in JMP enthaltene Option "Prognose bei Holdback" zu verwenden, Sie aber dennoch die Verwendung anderer Modellklassen in Betracht ziehen möchten.
	Das Add-In bietet Ihnen auch die Möglichkeit, eine Testreihe zum Auswerten von Prognosen zu verwenden. Und wie bei allen Modellauswahlmaßnahmen für Zeitreihendaten garantiert das Add-In keine genaueren Prognosen.
	Vielen Dank für Ihre Zeit. Ich hoffe, Sie testen das Add-In und wünschen Ihnen viel Spaß beim Rest von Discovery. Vielen Dank.

AusbrechenJSL-AnwendungsentwicklungStatistik und Modellierung