Modélisation de séries chronologiques : concentrationsSalut tout le monde,
Je cherche à discuter de la meilleure approche de modélisation dans JMP Pro 16 pour prédire les concentrations chronologiques de produits chimiques dans des échantillons individuels extrapolés à la date d'aujourd'hui. Bien que la fonction de série chronologique dans JMP prédise une diffusion de données illustrant la plage dans laquelle la série chronologique se situera, je souhaite obtenir plus de quantification et prédire à quoi ressembleraient les concentrations d'échantillons individuels. Par exemple, si nous avions 20 échantillons en 2021, à quoi ressemblerait leur propagation ? Pourrais-je ensuite utiliser ces 20 échantillons pour estimer une moyenne/moyenne géométrique de la concentration en 2021 ?
Ou dois-je adopter une approche de réseau de neurones où je prédis la concentration de mes données chimiques multivariées en fonction de la date étant le facteur x ? En essayant cela, j'obtiens parfois des concentrations négatives, ce qui n'est pas physiquement possible (mais le modèle ne le sait évidemment pas). Comment puis-je contraindre les données à prédire des valeurs réalistes en fonction de la diffusion précédente des données ?
AnalytiqueRe : Modélisation de séries chronologiques : ConcentrationsVous ne savez pas si cela pourrait fonctionner, mais puisque vous êtes intéressé par la diffusion... et l'exécution de JMP Pro... essayez peut-être la personnalité de régression quantile dans la plate-forme de régression généralisée ? Vous pouvez ajuster le quantile à 95 % pour l'écart ou le quantile à 50 % pour la médiane. Je ne suis pas sûr que cela puisse aider... mais ça vaut le coup d'essayer ?
Re : Modélisation de séries chronologiques : ConcentrationsAvec quoi @P_Bartell suggéré, vous voudrez peut-être d'abord vous log-transformer Y avant de modéliser, puis inverser transformer votre prédiction. Cela peut résoudre votre problème de prédiction négative.
En dehors de cela, il existe d'autres approches pour modéliser les "changements de distribution sur X". Par exemple: Fit la vie par X , Régression généralisée , entre autres.
