398683_ko-KR

liliconcom

어떤 예측을 사용해야 합니까? ARIMA와 상태 공간 평활화 모델을 비교하기 위한 추가 기능(2021-US-30MP-845)

레벨: 초급

 

Jacob Rhyne, 선임 분석 소프트웨어 테스터, JMP

 

JMP의 시계열 플랫폼을 통해 사용자는 시계열 데이터를 탐색하고 향후 관측치를 예측할 수 있습니다. 두 가지 인기 있는 모델 클래스인 ARIMA 모델과 상태 공간 평활화 모델을 모두 JMP 16에서 사용할 수 있습니다. JMP 사용자는 ARIMA 모델 세트와 상태 공간 평활화 모델 세트를 적합시키고 예측을 위해 하나의 모델을 선택할 수 있습니다. 그러나 ARIMA와 ETS 모델 중에서 선택하는 것은 어려운 작업일 수 있습니다. 동일한 클래스의 모델은 서로 비교할 수 있지만 ARIMA 및 State Space Smoothing 모델은 AIC와 같은 모델 선택 기준을 사용하여 직접 비교할 수 없습니다. 사용자가 후보 ARIMA와 상태 공간 평활화 모델 중에서 선택하는 데 도움이 되는 추가 기능이 제공됩니다. 이 추가 기능을 사용하면 JMP 사용자는 시계열 교차 검증을 사용하여 모델 클래스를 비교하거나 테스트 세트를 사용하여 후보 모델을 평가할 수 있습니다. JMP의 ARIMA 및 상태 공간 평활화 모델에 대한 개요를 설명한 후 이 프레젠테이션에서는 추가 기능을 사용하여 예측에 사용할 모델을 추천하는 방법을 보여줍니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
	안녕하세요. 시간을 내어 이 내용을 봐주셔서 감사합니다. 제 이름은 제이콥 라인입니다. 저는 JMP 소프트웨어 테스터입니다. 오늘은 JMP의 시계열 플랫폼에서 ARIMA 모델과 상태 공간 평활화 모델 중 하나를 선택하는 데 도움이 되도록 제가 작성한 추가 기능을 여러분과 공유하겠습니다.
	따라서 시계열 플랫폼에 ARIMA 및 상태 공간 평활화 모델을 적용하는 방법에 대한 간략한 개요부터 시작하겠습니다.
	이 두 모델 클래스 중에서 선택하는 데 도움이 되는 추가 기능의 필요성을 소개하겠습니다. 그리고 추가 기능의 주요 도구인 시계열 교차 검증에 대한 개요를 제공합니다. 그럼 JMP 16.1을 사용한 추가 기능의 데모를 마치겠습니다.
	JMP의 시계열 플랫폼을 사용하면 사용자는 다양한 시계열 모델을 적용할 수 있습니다. 이 프레젠테이션의 초점은 ARIMA 및 State Space Smoothing 모델이며 이 Steel Shipments 샘플 데이터를 사용하여 이 두 모델을 모두 맞추는 방법을 보여 드리겠습니다.
	철강 선적 샘플 데이터에는 1984년부터 1991년까지 미국 철강 선적의 월별 합계가 포함되어 있습니다. 그리고 전문 모델링 메뉴의 시계열 플랫폼을 통해 이를 살펴보겠습니다.
	철강 선적 열은 내 시계열입니다. 날짜 열은 내 시간 ID입니다. 내가 향후 2년간의 철강 출하량을 예측하는 데 관심이 있다고 가정해 보겠습니다. 따라서 이것은 월별 데이터이므로 24개의 예측 기간이 필요합니다. 그리고 확인을 클릭하여 시계열 보고서를 시작하겠습니다.
	시계열에 대한 몇 가지 기본 통계와 몇 가지 기본 시계열 진단에 대한 플롯이 있음을 알 수 있습니다.
	저는 ARIMA 모델을 이 계열에 맞추고 싶습니다. ARIMA 모델을 맞출 때 어떤 종류의 변환이나 차이를 취해야 하는지 결정해야 합니다. 따라서 시계열 메뉴의 차이 옵션을 사용하여 이를 살펴보겠습니다.
	주문 1의 비계절적 차분으로 시작하고 추정을 클릭하겠습니다.
	이제 차이 계열의 플롯이 생겼습니다. 더 고정적이라는 점에서 더 좋아 보이지만 여기에는 여전히 약간의 계절성이 있습니다. 그리고 진단을 보면 이를 알 수 있습니다. 나는 시차 번호 12로 내려갑니다.
	시차 12에서는 자기상관 값이 높고, 부분 자기상관도 조금 높은 것을 알 수 있습니다. 따라서 이는 비계절 및 계절 차분을 사용하여 계절 ARIMA 모델을 적합해야 함을 의미합니다.
	보고서를 깨끗하게 유지하기 위해 이 차이 보고서를 닫겠습니다. 그리고 ARIMA 모델 그룹 옵션을 사용하여 몇 가지 다른 ARIMA 모델을 피팅하는 방법을 살펴보겠습니다.
	그래서 저는 비계절 차분 차수 1과 계절 차분 차수 1을 사용하여 계절 ARIMA 모델을 적합시키기로 결정했습니다. 그러나 자동 회귀 및 이동 평균 주문의 경우 0 또는 1이 되도록 하겠습니다.
	따라서 추정을 클릭하면 JMP가 16개의 계절별 ARIMA 모델을 적합하게 됩니다. 모델 비교 창으로 스크롤하여 이러한 모델을 볼 수 있습니다. 모델은 AIC를 기준으로 내림차순으로 정렬되므로 AIC가 최소화되는 모델을 선택하겠습니다.
	아래로 스크롤하여 모델과 보고서를 살펴볼 수 있습니다. 안정적이고 반전이 가능하다는 것을 알 수 있습니다. 매개변수 추정표를 살펴볼 수 있었습니다. 예측과 예측 간격을 살펴보세요.
	이러한 진단을 모두 살펴보고 예측을 위해 고려할 후보로서 이 계절성 ARIMA 모델에 만족한다고 가정해 보겠습니다.
	따라서 보고서에서 이러한 다른 계절 ARIMA 모델을 제거하겠습니다.
	그리고 예측을 생성하기 위해 상태 공간 평활화 모델을 사용하는 것도 고려하고 싶습니다. 시계열 메뉴에서 상태 공간 평활화 옵션을 사용하면 이 작업을 수행할 수 있습니다.
	이것은 월별 데이터이기 때문에 기간은 12라고 말해야 하며, 이 시계열에 대해 권장되는 모든 상태 공간 평활화 모델을 적합하게 만들 것입니다.
	따라서 확인을 클릭하여 실행하면 모델 비교 보고서까지 아래로 스크롤하면 JMP가 권장되는 모든 상태 공간 평활화 모델에 적합하다는 것을 알 수 있습니다. AIC를 기준으로 다시 한 번 내림차순으로 정렬됩니다.
	따라서 AIC를 최소화한 모델은 추세가 없고 곱셈 계절성이 없는 곱셈 오차 모델이었습니다. 그래서 저는 이 모델을 선택하겠습니다.
	모델 비교 개요에서 아래로 스크롤하여 모델 적합성을 살펴보세요.
	따라서 모델 요약을 통해 모수 추정 표를 볼 수 있습니다.
	예측 및 예측 간격을 볼 수 있습니다. 이러한 진단을 모두 살펴봤고 예측을 위해 고려할 후보로서 이 상태 공간 평활화 모델에 만족한다고 가정해 보겠습니다.
	따라서 내 모델과 모델 비교 창에서 다른 상태 공간 스모딩 모델을 제거하겠습니다.
	이제 문제는 제가 고려하고 있는 ARIMA 모델과 예측을 위해 고려하고 있는 상태 공간 평활화 모델 중에서 어떻게 선택하느냐입니다.
	가능성 기반 기준이 다른 모델 클래스 간에 비교할 수 없다는 것을 알려주는 읽기 텍스트 경고가 있음을 알 수 있습니다.
	이것이 의미하는 바는 단순히 AIC를 스크롤하여 보고 AIC가 더 낮으므로 ARIMA 모델의 경우 이를 예측에 사용하겠다고 말할 수 없다는 것입니다.
	그것은 유효한 결정이 아닙니다. 그럼 어떻게 해야 하나요? JMP에는 이미 사용할 수 있는 옵션이 있습니다. 데이터가 충분히 긴 경우.
	홀드백을 설정하려면 시계열 플랫폼을 시작할 때 홀드백 예측 옵션을 사용할 수 있습니다.
	그리고 이것이 하는 일은 훈련 세트에 사용한 모든 시계열 모델에 적합하다는 것입니다. 그리고, 모델 비교 창에서는 AIC별로 모델을 정렬하는 대신,
	이는 홀드백 세트의 제곱 평균 오차 또는 RMSE로 모델을 정렬하고 홀드백 세트의 RMSE를 최소화하는 모델을 선택합니다.
	그러나 데이터가 홀드백 세트를 사용할 만큼 길지 않으면 홀드백 옵션에 대한 예측을 사용할 수 없으며 ARIMA 모델 또는 상태 공간 평활화 모델 중에서 선택하는 데 도움이 되는 다른 방법이 필요합니다.
	그리고 이것을하기 위해.
	이것이 제가 추가 기능을 만든 이유입니다. 따라서 추가 기능은 시계열 교차 검증이라는 기능을 사용하여 선택하는 데 도움이 됩니다.
	시계열 교차 검증은 기본적으로 시계열을 여러 훈련 및 테스트 세트로 나누어 연속적인 그룹이 훈련 세트를 한 행씩 확장합니다.
	잠시 시계열 교차 검증에 대한 자세한 예를 제시하겠지만, 이 방법을 내가 발명한 것이 아니라는 점을 지적하고 싶습니다. 이에 대해 더 자세히 알고 싶으시면,
	이 강연을 본 후 Rob Hyndman 박사의 예측 원칙과 실습을 추천하고 싶은 자료입니다.
	하지만 시계열 교차 검증의 예를 살펴보겠습니다.
	제가 영화 팬이기 때문에 2021년 1월부터 7월까지 북미 박스오피스 결과에 대한 데이터가 있다고 가정해 보겠습니다.
	그리고 ARIMA 모델이나 상태 공간 평활화 모델을 사용하여 향후 6주 동안의 박스오피스를 예측하고 싶습니다. 그리고 어떤 예측을 사용할지 결정하기 위해 시계열 교차 검증을 사용하고 싶습니다.
	앞서 언급했듯이 시계열 교차 검증은 데이터를 훈련 및 테스트 세트 그룹으로 하위 집합화하여 훈련 세트를 한 행과 각 연속 그룹으로 확장합니다.
	따라서 초기 훈련 세트에 몇 개의 행을 원하는지 결정해야 합니다.
	기본적으로 내 추가 기능을 사용하면 6개의 시계열 교차 검증 그룹이 있습니다. 따라서 초기 훈련 세트에 사용할 기본 행의 제안 개수가 제공되지만 원하는 경우 변경할 수 있습니다.
	이 예에서는 훈련 세트의 초기 행 17개를 기본값으로 유지하겠습니다.
	시계열 교차 검증 추가 기능을 실행하면 표준 시계열 보고서가 제공됩니다. 그러나 보고서 하단에 시계열 교차 검증 컨트롤에 대한 개요 상자도 추가됩니다.
	따라서 여기서는 첫 번째 훈련 세트의 행 수인 초기 행 수, 관심 있는 예측 길이, 계절 모델에 적합할 기간을 지정해야 합니다.
	따라서 6개의 서로 다른 시계열 교차 검증 그룹을 가질 수 있도록 훈련 세트에서 기본값인 17개 행을 유지하겠습니다.
	다음 6주 동안의 박스오피스를 예측하고 싶기 때문에 예측 기간을 6으로 설정하겠습니다. 그리고 여기서는 이 특정 데이터에 대해 계절 모델을 적합하지 않기 때문에 기간을 누락과 동일하게 유지하겠습니다.
	그럼 첫 번째 시계열 교차 검증 그룹을 살펴보겠습니다.
	첫 번째 훈련 세트에는 17개의 행이 있고 다음 6개 행은 테스트 세트라는 것을 알 수 있습니다.
	내 추가 기능이 수행할 작업은 내가 요청한 모든 ARIMA 모델을 훈련 세트에 맞추는 것입니다. 그리고 권장되는 상태 공간 평활화 모델을 훈련 세트에 맞출 것입니다.
	AIC를 통해 각 클래스의 가장 좋은 모델을 선택하고 선택한 모델 예측을 테스트 세트로 가져와 예측 오류를 평가합니다.
	두 번째 시계열 교차 검증 그룹은 훈련 세트를 한 행씩 확장할 예정이므로 이제 내 훈련 세트는 다음과 같습니다.
	행 1부터 18까지로 구성되어 있으며 다음 6개 행은 테스트 세트입니다. 그런 다음 첫 번째 시계열 교차 검증 그룹에서 수행한 프로세스를 반복합니다.
	사용자가 요청한 ARIMA 모델이 무엇이든 적합하고 권장되는 상태 공간 평활화 모델에 적합합니다. AIC 예측을 통해 가장 적합한 모델을 테스트 세트에 선택하고 예측 오류를 저장합니다.
	그리고 내 데이터를 모두 사용할 때까지 이 작업을 계속합니다. 따라서 이 예의 최종 시계열 교차 검증 그룹은 훈련 세트에 대해 1~22행을 사용한 다음 나머지 데이터인 마지막 6개 행을 테스트 세트로 사용합니다.
	그래서 저는 모든 시계열 교차 검증 그룹에 대한 예측 오류를 저장하고 있다고 언급했습니다.
	추가 기능의 기능은 두 모델 클래스에 대한 전체 RMSE, MAE 및 MAPE를 보고하고 모든 시계열 교차 검증 그룹에 대한 RMSE 플롯을 제공하는 것입니다.
	그리고 이 테이블과 플롯을 사용하면 예측에 모든 모델을 적합할지 또는 상태 공간 평활화 모델 예측에 적합한지 결정하는 데 도움이 될 수 있습니다.
	이 데이터를 사용하여 추가 기능이 작동하는 모습을 살펴보겠습니다.
	따라서 Box Office Mojo에서 얻은 박스오피스 데이터를 열고 이 데이터에 대한 시계열 플랫폼을 시작하는 이 스크립트를 실행하겠습니다. 왜냐하면 시계열만 살펴보고 싶기 때문입니다.
	저는 주별 박스오피스 평균 총액을 예측하고 있으며, 주가 지나면서 차이가 발생하고 평균 총액이 더 커지는 것을 볼 수 있으므로 로그 변환을 적용하고 싶습니다.
	평균 총액으로. 평균 총액에 대한 로그 수식 열을 만들어서 그렇게 할 수 있지만
	꼭 필요한 것은 아닙니다. 추가 기능을 사용하면 표준 시계열 플랫폼과 마찬가지로 Box Cox 변환을 수행할 수 있습니다. 따라서 추가 기능을 실행하고 고지 사항을 지나 클릭합니다. 앞으로 6주 동안 매주 박스오피스 마감 평균을 예측하고 싶습니다.
	평균 총액으로 로그 변환을 수행하려고 하므로 Lambda가 0인 Box Cox 변환을 사용하겠습니다.
	확인을 클릭하겠습니다.
	따라서 Box Cox 변환 반응에 대한 표준 시계열 보고서가 시작됩니다. 저는 모든 종류의 시계열 모델에 적합할 수 있으며 JMP에서 이 빨간색 삼각형 메뉴를 사용하여 사용할 수 있기를 원했습니다.
	하지만 대신 보고서 맨 아래로 가서 시계열 교차 검증을 사용하여 ARIMA 모델 또는 상태 공간 평활화 모델을 적합해야 하는지에 대한 권장 사항을 얻을 것입니다.
	초기 행을 17로 유지하겠습니다. 이전 예에서 방금 보여드린 6개의 시계열 교차 검증 그룹이 생성되기 때문입니다.
	다음 6주 동안의 박스오피스를 예측하고 싶기 때문에 예측 길이를 6으로 유지하고 이 예에서는 기간을 누락과 동일하게 유지하겠습니다.
	실행을 클릭하고 이제 모든 시계열 교차 검증 그룹에 어떤 ARIMA 모델을 적용하고 싶은지 말해야 합니다. 그래서 저는 비계절적 차분 1을 사용하기로 결정했습니다. 하지만 자기회귀 및 이동 평균 차수는 0 또는 1이 되도록 하겠습니다.
	따라서 추정을 클릭하면 모든 시계열 교차 검증 그룹이 이 네 가지 ARIMA 모델과 권장되는 상태 공간 평활화 모델에 적합하게 됩니다.
	추정을 클릭하면 추가 기능이 수행하는 작업은 요청된 모델을 훈련 세트에 맞추고 테스트 세트로 예측하고 예측 오류를 저장하는 6개의 시계열 교차 검증 그룹으로 이 데이터 세트를 확장하는 것입니다.
	그럼 아래로 스크롤하여 결과를 살펴보겠습니다. 표에서 전체적으로 ARIMA 모델이 상태 공간 평활화 모델보다 낮은 RMSE, MAE 및 MAPE를 생성했음을 확인할 수 있습니다. 그리고 줄거리를 보면
	ARIMA 모델이 모든 시계열 교차 검증 그룹에 대해 더 낮은 RMSE를 생성한 것을 볼 수 있습니다.
	따라서 이 추가 기능은 상태 공간 평활화 모델 대신 ARIMA 모델을 사용하여 이 데이터에 대한 예측을 생성할 것을 권장합니다. 따라서 빨간색 삼각형 메뉴로 이동하여 ARIMA 모델 그룹 옵션을 사용하여 ARIMA 모델을 맞출 수 있습니다.
	추가 기능의 또 다른 예를 살펴보겠습니다. 다음 예에서는 MC3 Quarterly 샘플 데이터의 하위 집합을 사용하겠습니다.
	MC3 분기별 샘플 데이터에는 MC3 모델링 경쟁에서 나온 100개가 조금 넘는 다양한 시계열에 대한 데이터가 포함되어 있습니다. 시리즈는 모두 분기별입니다.
	제 생각에 이것은 매우 다양한 시계열이 포함되어 있기 때문에 흥미로운 데이터 세트라고 생각합니다. 그러나 이 강연에서는 시간 문제로 인해 테이블에서 세 가지 시리즈 중 무작위 하위 집합을 선택했습니다.
	이제 추가 기능을 시작하겠습니다.
	그리고 실행기를 설정하면 내 Y 열은 내 시계열이고 시간은 시간 ID입니다. 그리고 여러 계열에 대한 데이터가 있으므로 계열 열에 기준 옵션을 사용해야 합니다. 다시 한 번 향후 2년을 예측할 것이므로 8개의 예측 기간을 입력하고 확인을 클릭하겠습니다.
	예상대로 내 테이블의 모든 다른 계열에 대한 시계열 보고서가 표시되었습니다. 또한 테이블의 각 계열에 대한 시계열 교차 검증 컨트롤도 있습니다.
	따라서 각 계열에 대해 시계열 교차 검증을 사용하여 예측을 위한 ARIMA 모델 또는 상태 공간 평활화 모델 사용에 대한 권장 사항을 얻을 수 있습니다.
	시간 관계상 첫 번째 시리즈에 대해서만 하겠습니다. 이 시리즈에 계절 모델을 적합시키고 싶기 때문에 4개의 기간을 사용하겠습니다. 실행을 클릭하겠습니다.
	그래서 저는 1의 비계절적 차분 차수를 사용할 것입니다. 그러나 다른 모든 자기회귀 이동 평균 차수와 계절적 차분 차수는 0 또는 1의 범위로 두겠습니다.
	역시 분기별 데이터이므로 관찰 기간을 4로 설정합니다. 추정을 클릭하면 32개의 ARIMA 모델이 적합해집니다.
	각 시계열 교차 검증 그룹에서. 따라서 추가 기능은 시리즈가 N 691인 곳으로 이동합니다.
	이를 6개의 서로 다른 시계열 교차 검증 그룹으로 확장하고 있습니다. 내가 요청한 ARIMA 모델을 훈련 세트에 맞추는 중입니다. 훈련 세트에 권장되는 상태 공간 평활화 모델입니다.
	AIC가 선정한 최고의 모델. 테스트 세트에 예측하고 예측 오류를 저장합니다.
	잠시만 기다리겠습니다.
	여기 있습니다.
	그리고 스크롤하여 결과를 볼 수 있습니다. 따라서 표에서 볼 수 있듯이 ARIMA 모델은 상태 공간 평활화 모델보다 낮은 RMSE, MAE 및 MAPE를 생성했습니다.
	그리고 플롯에서 마지막 시계열 교차 검증 그룹을 제외한 모든 그룹에서 ARIMA 모델의 RMSE가 더 낮았다는 것을 알 수 있습니다.
	상태 공간 평활화 모델보다 마지막 그룹에서도 거의 동일했습니다.
	따라서 다시 한 번 시계열 교차 검증이며 ARIMA 모델을 사용하여 N 691 계열에 대한 예측을 생성하는 것이 좋습니다. 그리고 다른 시리즈로 이동하여 프로세스를 반복할 수 있으며 이러한 경우 상태 공간 평활화 모델을 권장할 수 있습니다.
	따라서 추가 기능의 또 다른 기능이 실제로 시계열 교차 검증과 관련이 없음을 보여줌으로써 데모를 마무리하겠습니다.
	또한 테스트 세트를 사용하여 추가 기능으로 예측을 평가할 수 있는 기능도 제공했으며 Steel Shipments 샘플 데이터를 사용하여 이를 다시 보여드리겠습니다. 이제 추가 기능을 시작하겠습니다. 좋아요, 날짜별로 철강 출하량을 예측하고 싶습니다.
	향후 2년을 예측하고 싶다고 가정해 보겠습니다. 24개의 예측 기간을 사용하고, 앞서 언급했듯이 계열이 충분히 길면 홀드백 세트에 대해 홀드백 옵션에 대한 예측을 사용할 수 있습니다.
	모델을 선택합니다. 따라서 그렇게 하고 있으므로 시계열 교차 검증을 사용할 필요가 없습니다. 따라서 학습 테스트 세트 옵션을 사용할 수 있습니다.
	내가 선택한 모델을 평가하기 위한 독립적인 테스트 세트를 갖습니다. 테스트 세트의 길이를 12로 설정하겠습니다.
	이것이 의미하는 바는 내 데이터의 마지막 12개 행을 가져와 분석에서 완전히 제외시켜 이를 사용하여 예측 성과를 평가할 수 있다는 것입니다. 확인을 클릭하겠습니다.
	그리고 무슨 일이 일어났는지 볼 수 있는데, 테이블에 또 다른 열을 추가했다는 것입니다. 행이 테스트 세트에 포함되어 있으면 1이고 그렇지 않으면 0인 테스트 세트에 대한 표시 열일 뿐입니다.
	그리고 이러한 시계열 모델은 테스트 세트가 0인 행에만 적합합니다. 이를 통해 테스트 세트의 독립성을 유지할 수 있습니다.
	이제 일부 ARIMA 모델을 이 데이터에 맞춰보겠습니다. 나는 이 강연을 시작할 때 사용한 것과 동일한 컨트롤을 계절성 및 비계절성 차분 차수 1로 사용하지만 다른 모든 차수 범위는 0에서 1까지로 설정합니다.
	따라서 추정을 클릭하여 16개의 서로 다른 계절 ARIMA 모델을 실행하고 권장되는 주 공간 평활화 모델도 적합하겠습니다.
	따라서 모델 비교 창으로 스크롤을 내리면 홀드백 세트에서 평균 제곱근 오차를 최소화하는 모델이 가산 오차가 없고 추세가 가산 계절성을 갖는 상태 공간 평활화 모델임을 알 수 있습니다.
	또한 가장 성능이 좋은 ARIMA 모델이 테스트 세트에서 어떻게 수행되는지에만 관심이 있다고 가정해 보겠습니다. 나도 선택할 수 있어요.
	그리고 더 이상 예측을 고려하지 않는 다른 모델을 제거하겠습니다.
	다시 한번 보류 옵션에 대한 예측을 사용했기 때문에 예측에 사용할 이 상태 공간 평활화 모델을 선택하겠지만 ARIMA 모델이 테스트 세트에서 어떻게 작동할지 궁금합니다.
	따라서 테스트 세트 분석 상자까지 아래로 스크롤할 수 있습니다. 그리고 이것이 할 일은 홀드백 옵션에 대한 예측을 사용했기 때문에 선택한 모델을 결합된 훈련 및 홀드백 데이터에 다시 맞춰 업데이트된 매개변수를 얻는 것입니다.
	그런 다음 테스트 세트를 예측하고 실제 테스트 세트 데이터와 비교하여 예측이 어떻게 수행되었는지 평가합니다.
	따라서 실행을 클릭하여 해당 분석을 수행하겠습니다. 그리고 테스트 세트 RMSE, MAE 및 MAPE 테이블과 예측과 비교한 테스트 세트의 플롯이 있음을 알 수 있습니다.
	State Space Smoothing Model이 홀드백 세트에서 더 나은 성능을 발휘했을 뿐만 아니라 테스트 세트에서도 더 나은 성능을 발휘했다는 것을 알 수 있습니다. 따라서 이 테스트 세트 분석 옵션은 모델 적합도가 어떻게 수행되었는지 평가하는 도구를 제공합니다.
	요약하자면. 추가 기능을 사용하면 시계열 교차 검증을 수행할 수 있습니다.
	JMP에 있는 보류 옵션에 대한 예측을 사용할 만큼 길지 않은 시계열 데이터가 있지만 여전히 다른 모델 클래스 사용을 고려하고 싶은 경우 이 추가 기능이 유용할 수 있다고 생각합니다.
	추가 기능은 테스트 세트를 사용하여 예측을 평가하는 기능도 제공합니다. 그리고 면책 조항과 마찬가지로 시계열 데이터에 대한 모든 모델 선택 측정값과 마찬가지로 추가 기능은 더 정확한 예측을 보장하지 않습니다.
	시간 내 주셔서 대단히 감사합니다. 추가 기능을 사용해 보시고 Discovery의 나머지 부분을 즐기시기 바랍니다. 매우 감사합니다.

브레이크아웃JSL 애플리케이션 개발통계 및 모델링