Zeitreihenmodellierung: KonzentrationenHallo zusammen,
Ich möchte den besten Modellierungsansatz in JMP Pro 16 diskutieren, um Zeitreihenkonzentrationen von Chemikalien in einzelnen Proben zu prognostizieren, die auf das heutige Datum extrapoliert werden. Obwohl die Zeitreihenfunktion in JMP eine Streuung von Daten vorhersagt, die den Bereich darstellt, in den die Zeitreihe fällt, möchte ich quantitativer werden und vorhersagen, wie einzelne Probenkonzentrationen aussehen würden. Wenn wir zum Beispiel im Jahr 2021 20 Proben hätten, wie würde ihre Verteilung aussehen? Könnte ich diese 20 Proben dann weiter verwenden, um einen Median/geometrischen Mittelwert der Konzentration im Jahr 2021 zu schätzen?
Oder verfolge ich einen neuronalen Netzwerkansatz, bei dem ich die Konzentration meiner multivariaten chemischen Daten basierend auf dem Datum als x-Faktor vorhersage? Beim Versuch erhalte ich manchmal negative Konzentrationen, was physikalisch nicht möglich ist (aber das Modell weiß das offensichtlich nicht). Wie schränke ich die Daten ein, um realistische Werte basierend auf der vorherigen Datenverteilung vorherzusagen?
AnalytikBetreff: Zeitreihenmodellierung: KonzentrationenIch bin mir nicht sicher, ob dies funktionieren könnte, aber da Sie daran interessiert sind, zu verbreiten ... und JMP Pro auszuführen ... probieren Sie vielleicht die Quantil-Regressions-Persönlichkeit in der Generalized Regression-Plattform aus? Sie könnten das 95 %-Quantil für den Spread oder das 50 %-Quantil für den Median anpassen. Ich bin mir nicht sicher, ob es helfen wird ... aber einen Versuch wert?
Betreff: Zeitreihenmodellierung: KonzentrationenZusammen mit was @P_Bartell vorgeschlagen, möchten Sie vielleicht zuerst Y log-transformieren, bevor Sie modellieren, und dann Ihre Vorhersage invers transformieren. Das könnte Ihr Problem mit der negativen Vorhersage beheben.
Darüber hinaus gibt es andere Ansätze, um "Verteilungsänderungen über X" zu modellieren. Zum Beispiel: Fit Life von X , Generalisierte Regression , unter anderen.
