398683_de-DE

liliconcom

Welche Prognosen sollte ich verwenden? Ein Add-in zum Vergleich von ARIMA- und State Space Smoothing-Modellen (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 State Space Smoothing-Modellen anpassen und ein Modell für die Prognose auswählen. Allerdings kann die Wahl zwischen einem ARIMA- und einem ETS-Modell eine schwierige Aufgabe sein. Während Modelle derselben Klasse miteinander verglichen werden können, können ARIMA- und State Space Smoothing-Modelle nicht direkt mithilfe eines Modellauswahlkriteriums wie AIC verglichen werden. Es wird ein Add-in vorgestellt, das Benutzern die Auswahl zwischen möglichen ARIMA- und State Space Smoothing-Modellen erleichtert. Mit dem Add-in können JMP-Benutzer Modellklassen mithilfe der Zeitreihen-Kreuzvalidierung vergleichen oder Kandidatenmodelle mithilfe eines Testsatzes bewerten. Nach einem Überblick über ARIMA- und State Space Smoothing-Modelle in JMP demonstriert diese Präsentation, wie das Add-in verwendet werden kann, um zu empfehlen, welches Modell für die Prognose verwendet werden soll.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
	Hallo, vielen Dank, dass Sie sich die Zeit genommen haben, dies anzusehen. Mein Name ist Jacob Rhyne. Ich bin Softwaretester für JMP. Heute werde ich Ihnen ein von mir geschriebenes Add-In vorstellen, das Ihnen bei der Auswahl zwischen einem ARIMA-Modell oder einem State Space Smoothing-Modell in der Time Series-Plattform in JMP hilft.
	Deshalb beginne ich 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, das die Auswahl zwischen diesen beiden Modellklassen erleichtert. Und geben Sie einen Überblick über die Zeitreihen-Kreuzvalidierung, das Hauptwerkzeug des Add-Ins. Dann schließe ich mit der Demo des Add-Ins mit JMP 16.1 ab.
	Die Time Series-Plattform in JMP ermöglicht Benutzern die Anpassung vieler verschiedener Zeitreihenmodelle. Der Schwerpunkt dieser Präsentation liegt auf ARIMA- und State Space Smoothing-Modellen, und ich werde zeigen, wie man beide anhand dieser Beispieldaten von Steel Shipments anpassen kann.
	Die Beispieldaten „Steel Shipments“ enthalten monatliche Gesamtwerte der US-Stahllieferungen von 1984 bis 1991. Und ich werde dies mit der Zeitreihenplattform im Menü „Spezialisierte Modellierung“ untersuchen.
	Die Spalte „Stahllieferungen“ ist meine Zeitreihe. Die Datumsspalte ist meine Zeit-ID. Nehmen wir an, dass ich daran interessiert bin, die Stahllieferungen der nächsten zwei Jahre vorherzusagen. Da es sich also um monatliche Daten handelt, benötige ich 24 Prognosezeiträume. Und ich klicke auf „OK“, um meinen Zeitreihenbericht zu starten.
	Sie können sehen, dass ich in der Zeitreihe einige grundlegende Statistiken der Reihe sowie einige grundlegende Zeitreihendiagnosen 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. Deshalb verwende ich die Option „Differenz“ im Menü „Zeitreihen“, um dies zu untersuchen.
	Ich beginne mit einer nichtsaisonalen Differenzierung der ersten Ordnung und klicke auf „Schätzung“.
	Jetzt habe ich eine Darstellung der Differenzreihe. Da es stationärer ist, sieht es besser aus, aber ich habe hier immer noch eine gewisse Saisonalität. Und das kann ich anhand der Diagnose erkennen. Ich gehe runter auf Lag Nummer 12.
	Ich kann sehen, dass der Autokorrelationswert hoch ist und die teilweise Autokorrelation für Verzögerung 12 auch etwas hoch ist. Das legt also nahe, dass ich ein saisonales ARIMA-Modell mit nichtsaisonalen und saisonalen Differenzierungen anpassen sollte.
	Ich werde diesen Unterschiedsbericht schließen, nur um meinen Bericht sauber zu halten. Und ich werde die Anpassung einiger verschiedener ARIMA-Modelle mit der ARIMA-Modellgruppenoption untersuchen.
	Deshalb habe ich beschlossen, dass ich ein saisonales ARIMA-Modell mit einer nichtsaisonalen Differenzierungsordnung von eins und einer saisonalen Differenzierungsordnung von eins anpassen möchte. Aber für die autoregressiven und gleitenden Durchschnittsaufträge lasse ich sie entweder Null oder Eins zu.
	Wenn ich also auf „Schätzung“ klicke, passt JMP zu diesen 16 verschiedenen saisonalen ARIMA-Modellen. Ich kann nach unten zum Modellvergleichsfenster scrollen und mir diese Modelle ansehen. Die Modelle sind in absteigender Reihenfolge nach AIC sortiert, daher wähle ich das Modell aus, das den 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 Parameterschätzungstabelle durchsehen. Schauen Sie sich die Prognose und die Prognoseintervalle an.
	Nehmen wir an, ich habe alle diese Diagnosen durchgesehen und bin mit diesem saisonalen ARIMA-Modell als Kandidat für die Prognose zufrieden.
	Deshalb werde ich diese anderen saisonalen ARIMA-Modelle aus dem Bericht entfernen.
	Und sagen wir, ich möchte auch die Verwendung eines State Space Smoothing-Modells in Betracht ziehen, um eine Prognose zu erstellen. Dies kann ich tun, indem ich die Option „State Space Smoothing“ 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 State Space Smoothing-Modelle für diese Zeitreihe anpassen.
	Ich klicke also auf „OK“, um es auszuführen. Wenn ich nach unten zum Modellvergleichsbericht scrolle, kann ich sehen, dass JMP alle empfohlenen State Space Smoothing-Modelle erfüllt. Sie sind noch einmal in absteigender Reihenfolge nach AIC sortiert.
	Das Modell, das den AIC minimierte, war also ein multiplikatives Fehlermodell ohne Trend und multiplikative Saisonalität. Daher werde ich mich für dieses Modell entscheiden
	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 mit den Parameterschätzungen ansehen.
	Sie können die Prognose und die Prognoseintervalle einsehen. Nehmen wir an, ich habe alle diese Diagnosen durchgesehen und bin zufrieden mit diesem Zustandsraumglättungsmodell als Kandidaten für die Prognose.
	Deshalb entferne ich das andere State Space Smothing-Modell aus meinen Modellen und aus meinem Modellvergleichsfenster.
	Die Frage ist nun also, wie ich zwischen diesem ARIMA-Modell, das ich in Betracht ziehe, und dem State Space Smoothing-Modell, das ich für die Prognose in Betracht ziehe, wähle.
	Sie können sehen, dass ich diese Lesetextwarnung habe, die mir mitteilt, dass wahrscheinlichkeitsbasierte Kriterien zwischen den verschiedenen Modellklassen nicht vergleichbar sind.
	Und das bedeutet, dass ich nicht einfach zum AIC scrollen und sagen kann, dass ich ihn für das ARIMA-Modell zur Prognose verwenden werde, da der AIC niedriger ist.
	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 festzulegen, können Sie beim Starten der Time Series-Plattform die Option „Prognose bei Holdback“ verwenden.
	Dies würde dazu führen, dass alle von Ihnen verwendeten Zeitreihenmodelle in den Trainingssatz passen. Und anstatt die Modelle im Modellvergleichsfenster nach AIC zu sortieren,
	Die Modelle werden nach dem quadratischen Mittelwert oder RMSE des Holdback-Sets sortiert und Sie würden das Modell auswählen, das den RMSE des Holdback-Sets minimiert.
	Wenn Ihre Daten jedoch nicht lang genug sind, um einen Holdback-Satz zu verwenden, können wir die Option „Prognose auf Holdback“ nicht verwenden und benötigen eine andere Methode, die uns bei der Auswahl zwischen einem ARIMA-Modell und einem State Space Smoothing-Modell hilft.
	Und um 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.
	Bei der Zeitreihen-Kreuzvalidierung wird Ihre Zeitreihe im Wesentlichen in mehrere Trainings- und Testsätze unterteilt, wobei jede aufeinanderfolgende Gruppe, die Sie verwenden, den Trainingssatz um eine Zeile erweitert.
	Ich werde gleich ein detailliertes Beispiel für die Kreuzvalidierung von Zeitreihen geben, möchte aber darauf hinweisen, dass ich diese Methode nicht erfunden habe. Wenn Sie mehr darüber erfahren möchten,
	Nachdem ich mir diesen Vortrag angesehen habe, ist dies eine Ressource, die ich Prognoseprinzipien und -praktiken von Dr. Rob Hyndman empfehlen würde.
	Aber schauen wir uns 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, indem ich entweder ein ARIMA-Modell oder ein State Space Smoothing-Modell verwende. Und um zu entscheiden, welche Prognose ich verwenden möchte, möchte ich die Zeitreihen-Kreuzvalidierung verwenden.
	Wie ich bereits erwähnt habe, werden Ihre Daten bei der Zeitreihen-Kreuzvalidierung in Gruppen von Trainings- und Testsätzen unterteilt, wobei Sie den Trainingssatz um eine Zeile und jede nachfolgende Gruppe erweitern.
	Ich muss also entscheiden, wie viele Zeilen ich in meinem ersten Trainingssatz haben möchte.
	Standardmäßig sorgt mein Add-In dafür, dass Sie über sechs Zeitreihen-Kreuzvalidierungsgruppen verfügen. Dadurch erhalten Sie eine empfohlene Anzahl von Standardzeilen, die Sie in Ihrem anfänglichen Trainingssatz verwenden können. Sie können diese jedoch gerne ändern, wenn Sie möchten.
	Für dieses Beispiel werde ich den Standardwert von 17 Anfangszeilen im Trainingssatz beibehalten.
	Wenn Sie das Zeitreihen-Kreuzvalidierungs-Add-in starten, erhalten Sie einen Standard-Zeitreihenbericht. Am Ende des Berichts wird jedoch auch ein Gliederungsfeld für Ihre Zeitreihen-Kreuzvalidierungskontrollen angehängt.
	Hier müssen Sie also die Anzahl der Anfangszeilen angeben, also die Anzahl der Zeilen in Ihrem ersten Trainingssatz, die gewünschte Prognoselänge und den Zeitraum, wenn Sie saisonale Modelle anpassen möchten.
	Deshalb behalte ich den Standardwert von 17 Zeilen im Trainingssatz bei, der es mir ermöglicht, sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen zu haben.
	Ich habe eine Prognoselänge von sechs, weil ich die nächsten sechs Wochen an der Abendkasse vorhersagen möchte. Und hier werde ich den Zeitraum auf „fehlend“ belassen, da ich für diese bestimmten Daten keine saisonalen Modelle anpassen werde.
	Schauen wir uns also die erste Zeitreihen-Kreuzvalidierungsgruppe an.
	Wie Sie sehen, habe ich 17 Zeilen in meinem ersten Trainingssatz und die nächsten sechs Zeilen sind mein Testsatz.
	Was mein Add-in tun wird, ist, dass es alle von mir gewünschten ARIMA-Modelle in den Trainingssatz einfügt. Und es wird die empfohlenen Zustandsraumglättungsmodelle an den Trainingssatz anpassen.
	Es wird von AIC das beste Modell jeder Klasse ausgewählt und meine Prognose für ausgewählte Modelle in den Testsatz übernommen und der Prognosefehler bewertet.
	Die zweite Zeitreihen-Kreuzvalidierungsgruppe wird den Trainingssatz um eine Zeile erweitern, also ist mein Trainingssatz jetzt
	bestehend aus den Reihen eins bis 18 und die nächsten sechs Reihen sind mein Testsatz. Und dann wiederhole ich den Vorgang, den ich in der ersten Zeitreihen-Kreuzvalidierungsgruppe durchgeführt habe.
	Ich passe alle vom Benutzer gewünschten ARIMA-Modelle an und passe die empfohlenen State Space Smoothing-Modelle an. Wählen Sie das beste Modell gemäß der AIC-Prognose im Testsatz aus und speichern Sie den Prognosefehler.
	Und das mache ich so lange, bis ich alle meine Daten verbraucht habe. Die letzte Zeitreihen-Kreuzvalidierungsgruppe 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.
	Deshalb habe ich erwähnt, dass ich den Prognosefehler für jede Zeitreihen-Kreuzvalidierungsgruppe speichere.
	Das Add-In meldet den gesamten RMSE, MAE und MAPE für die beiden Modellklassen und liefert Ihnen ein Diagramm des RMSE für jede Zeitreihen-Kreuzvalidierungsgruppe.
	Und Sie können diese Tabelle und dieses Diagramm verwenden, um zu entscheiden, ob Sie jedes Modell für die Prognose oder die Zustandsraumglättungsmodellprognose verwenden sollten.
	Schauen 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 führe einfach dieses Skript aus, das die Time Series-Plattform für diese Daten startet, weil ich mir die Zeitreihen nur ansehen möchte.
	Ich prognostiziere die durchschnittlichen Bruttoeinnahmen pro Woche an der Abendkasse und sehe, dass im Laufe der Wochen die Varianz zunimmt und die durchschnittlichen Bruttoeinnahmen größer werden, weshalb ich gerne eine logarithmische Transformation vornehmen würde
	zum durchschnittlichen Brutto. Ich kann das tun, indem ich eine Protokollformelspalte für den durchschnittlichen Bruttowert erstelle
	Dies ist nicht erforderlich. Das Add-In bietet Ihnen die Möglichkeit, eine Box Cox-Transformation durchzuführen, genau wie die Standard-Time Series-Plattform. Also starte ich mein Add-In und klicke hinter dem Haftungsausschluss. Ich möchte den durchschnittlichen wöchentlichen Kassenschluss für die nächsten sechs Wochen prognostizieren.
	und ich möchte eine logarithmische Transformation zum Durchschnittsbrutto durchführen, 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. Mit diesem roten Dreiecksmenü konnte ich jede Art von Zeitreihenmodellen anpassen, die in JMP verfügbar sein sollten.
	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 Zustandsraumglättungsmodell anpassen sollte.
	Ich belasse die ersten Zeilen bei 17, da ich dadurch sechs Zeitreihen-Kreuzvalidierungsgruppen erhalte, die ich gerade im vorherigen Beispiel gezeigt habe.
	Ich behalte eine Vorhersagelänge von sechs bei, da ich die nächsten sechs Wochen an der Abendkasse vorhersagen möchte, und ich werde den Zeitraum für dieses Beispiel auf „fehlend“ belassen.
	Also klicke ich auf „Ausführen“ und muss nun sagen, welche ARIMA-Modelle ich in jede Zeitreihen-Kreuzvalidierungsgruppe einfügen möchte. Deshalb entscheide ich, dass ich gerne eine nicht-saisonale Differenzierung von eins verwenden würde, aber ich lasse autoregressive und gleitende Durchschnittsaufträge entweder null oder eins sein.
	Wenn ich also auf „Schätzen“ klicke, wird jede Zeitreihen-Kreuzvalidierungsgruppe zu diesen vier ARIMA-Modellen und den empfohlenen Zustandsraumglättungsmodellen passen.
	Wenn ich also auf „Schätzen“ klicke, erweitert das Add-In diesen Datensatz in meine sechs Zeitreihen-Kreuzvalidierungsgruppen, passt die angeforderten Modelle an den Trainingssatz an, fügt die Prognose in den Testsatz ein und speichert den Prognosefehler.
	Also scrolle ich nach unten und schaue mir die Ergebnisse an. Aus der Tabelle können Sie ersehen, dass die ARIMA-Modelle insgesamt niedrigere RMSE-, MAE- und MAPE-Werte 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 ergaben.
	Daher würde dieses Add-in die Verwendung eines ARIMA-Modells zum Erstellen von Prognosen für diese Daten anstelle eines Zustandsraumglättungsmodells empfehlen. So kann ich zum Menü mit dem roten Dreieck gehen und ein ARIMA-Modell mit der Option „ARIMA-Modellgruppe“ anpassen.
	Sehen wir uns ein weiteres Beispiel des Add-Ins an. Für dieses nächste Beispiel werde ich eine Teilmenge der MC3 Quarterly-Beispieldaten verwenden.
	Die MC3 Quarterly-Beispieldaten enthalten Daten für etwas mehr als 100 verschiedene Zeitreihen aus dem MC3-Modellierungswettbewerb. Die Serien erscheinen alle vierteljährlich.
	Ich denke, das ist ein interessanter Datensatz, gerade weil er so viele verschiedene Zeitreihen enthält. Aus Zeitgründen habe ich in diesem Vortrag jedoch nur eine zufällige Teilmenge von drei Serien aus der Tabelle genommen.
	Also werde ich mein Add-In starten.
	Und richten Sie den Launcher ein. Meine Y-Spalte ist meine Zeitreihe, Zeit ist die Zeit-ID. Und da ich Daten für mehrere Serien habe, muss ich für die Serienspalte die Option „Nach“ verwenden. Nehmen wir noch einmal an, ich möchte die nächsten zwei Jahre prognostizieren, also gebe ich acht Prognosezeiträume ein und klicke auf „OK“.
	Dadurch wurde erwartungsgemäß der Zeitreihenbericht für jede einzelne Reihe in meiner Tabelle angezeigt. Und ich habe auch Zeitreihen-Kreuzvalidierungskontrollen für jede Reihe in der Tabelle.
	Daher könnte ich für jede dieser Reihen eine Zeitreihen-Kreuzvalidierung verwenden, um eine Empfehlung für die Verwendung eines ARIMA-Modells oder eines Zustandsraumglättungsmodells für die Prognose zu erhalten.
	Aus Zeitgründen werde ich es nur für die erste Serie tun. Ich werde einen Zeitraum von vier verwenden, weil ich saisonale Modelle für diese Serie anpassen möchte. Ich klicke auf „Ausführen“.
	Daher werde ich eine nichtsaisonale Differenzierungsordnung von eins verwenden, aber alle anderen autoregressiven gleitenden Durchschnittsordnungen und die saisonale Differenzierungsordnung lasse ich im Bereich von null oder eins liegen.
	Stellen Sie den Beobachtungszeitraum auf vier ein, da es sich wiederum um vierteljährliche Daten handelt. Wenn ich also auf „Schätzen“ klicke, wird es zu diesen 32 ARIMA-Modellen passen
	in jeder der Zeitreihen-Kreuzvalidierungsgruppen. Das Add-In wird also dorthin verschoben, wo die Serie N 691 ist.
	Es erweitert es auf sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen. Es passt meine gewünschten ARIMA-Modelle an das Trainingsset an. Die empfohlenen Zustandsraumglättungsmodelle für den Trainingssatz.
	Auswahl des besten Modells von AIC. Prognose in den Testsatz und Speicherung des Prognosefehlers.
	Ich gebe mir eine Sekunde Zeit, um fertig zu werden.
	Auf geht's.
	Und ich kann scrollen und die Ergebnisse ansehen. Wie Sie der Tabelle entnehmen können, erzeugten die ARIMA-Modelle niedrigere RMSE-, MAE- und MAPE-Werte als die Zustandsraumglättungsmodelle.
	Und aus der Darstellung kann ich ersehen, dass die ARIMA-Modelle in allen außer der letzten Zeitreihen-Kreuzvalidierungsgruppe einen niedrigeren RMSE hatten
	als ein Zustandsraumglättungsmodell, und in der letzten Gruppe war es ziemlich dasselbe.
	Es handelt sich also wieder einmal um eine Zeitreihen-Kreuzvalidierung und ich würde die Verwendung eines ARIMA-Modells empfehlen, um eine Prognose für die Reihe N 691 zu erstellen. Und Sie können zu den anderen Serien gehen und den Vorgang wiederholen. Für diese empfiehlt sich möglicherweise ein Zustandsraumglättungsmodell.
	Daher beende ich die Demo, indem ich zeige, dass eine weitere Funktion des Add-Ins eigentlich nichts mit der Zeitreihen-Kreuzvalidierung zu tun hat.
	Ich habe Ihnen auch die Möglichkeit gegeben, einen Testsatz zu verwenden, um die Prognose mit dem Add-in auszuwerten, und ich werde dies noch einmal anhand der Beispieldaten von Steel Shipments zeigen. Also werde ich mein Add-In starten. Okay, ich möchte die Stahllieferungen nach Datum prognostizieren.
	Nehmen wir an, ich möchte die nächsten zwei Jahre prognostizieren. Nehmen Sie also 24 Prognosezeiträume. Wenn Ihre Serie lang genug ist, können Sie, wie ich bereits erwähnt habe, für einen Holdback-Satz die Option „Prognose auf Holdback“ verwenden
	um Modelle auszuwählen. Da ich das tue, muss ich die Zeitreihen-Kreuzvalidierung nicht wirklich verwenden. Ich kann also die Option „Trainingstestsatz“ verwenden
	einen unabhängigen Testsatz zur Bewertung des von mir gewählten Modells zu haben. Ich werde entscheiden, dass die Länge meines Testsatzes 12 betragen soll.
	Das bedeutet, dass die letzten 12 Zeilen meiner Daten vollständig aus meiner Analyse ausgeschlossen werden, sodass ich sie zur Bewertung der Leistung meiner Prognose verwenden kann. Also klicke ich auf „Okay“.
	Und Sie können sehen, dass ich der Tabelle eine weitere Spalte hinzugefügt habe. Es handelt sich lediglich um eine Indikatorspalte für den Testsatz, deren Wert eins ist, wenn die Zeile im Testsatz enthalten ist, und null, wenn dies nicht der Fall ist.
	Und diese Zeitreihenmodelle werden nur an Zeilen angepasst, in denen der Testsatz gleich Null ist. Dadurch kann ich die Unabhängigkeit vom Testsatz wahren.
	Passen wir also einige ARIMA-Modelle an diese Daten an. Ich verwende die gleichen Kontrollen wie zu Beginn dieses Vortrags mit einer saisonalen und nichtsaisonalen Differenzierungsordnung von eins, lasse aber jede andere Ordnung von null bis eins reichen.
	Also klicke ich auf „Schätzung“, um diese 16 verschiedenen saisonalen ARIMA-Modelle auszuführen, und ich passe auch die empfohlenen Raumglättungsmodelle für Bundesstaaten an.
	Ich scrolle also nach unten zum Modellvergleichsfenster und sehe, dass das Modell, das den quadratischen Mittelwertfehler im Holdback-Satz minimiert, das State Space Smoothing-Modell mit additivem Fehler, keinem Trend und additiver Saisonalität war.
	Nehmen wir an, ich interessiere mich auch nur dafür, wie das leistungsstärkste ARIMA-Modell im Testsatz abschneiden würde. Ich kann es auch auswählen.
	Und ich werde die anderen Modelle entfernen, die ich für die Prognose nicht mehr in Betracht ziehe.
	Also habe ich wieder die Option „Prognose bei Holdback“ verwendet, also würde ich dieses Zustandsraumglättungsmodell für die Prognose wählen, aber ich bin nur neugierig, wie sich das ARIMA-Modell im Testsatz schlagen würde.
	So kann ich nach unten zu meiner Testsatz-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.
	Anschließend erfolgt die Prognose in den Testsatz und die Bewertung der Prognose im Vergleich zu den tatsächlichen Daten des Testsatzes.
	Also klicke ich auf „Ausführen“, um diese Analyse durchzuführen. Und wie ich sehe, habe ich eine Tabelle mit den Testsätzen RMSE, MAE und MAPE sowie eine Darstellung des Testsatzes im Vergleich zur Prognose.
	Ich kann sehen, dass das State Space Smoothing Model nicht nur im Holdback-Set eine bessere Leistung erbrachte, sondern auch im Testset. Mit dieser Option zur Analyse des Testsatzes erhalten Sie lediglich ein Werkzeug zur Bewertung der Leistung Ihres Modells.
	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 Option „Prognose bei Holdback“ in JMP zu verwenden, Sie aber dennoch die Verwendung anderer Modellklassen in Betracht ziehen möchten.
	Das Add-in bietet Ihnen auch die Möglichkeit, einen Testsatz zur Bewertung der Prognose zu verwenden. Und nur als Haftungsausschluss: Wie bei allen Modellauswahlmaßnahmen für Zeitreihendaten garantiert das Add-in keine genaueren Prognosen.
	Vielen Dank für Ihre Zeit. Ich hoffe, dass Sie das Add-in ausprobieren und dass Ihnen der Rest von Discovery gefällt. Vielen Dank.

AusbrechenJSL-AnwendungsentwicklungStatistik und Modellierung