<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />거의 모든 제조 공장에 공통적인 한 가지는 통계적 프로세스 제어입니다. 사이트가 동일한 제품을 지속적으로 얼마나 잘 만들고 있는지가 평범한 회사와 훌륭한 회사의 차이가 될 수 있습니다. 이 프로세스의 핵심 중 하나는 데이터의 이동 또는 추세를 찾는 것입니다. 일반적으로 사용되지는 않지만 시계열 분석은 변동 감소 과정에서 유용한 도구가 될 수 있습니다.
JMP의 시계열 분석 플랫폼은 분석 > 모델링 > 시계열에서 액세스할 수 있습니다.
샘플 데이터에서 하나의 데이터를 살펴보겠습니다. 도움말 > 샘플 데이터로 이동합니다. 그런 다음 시계열 드롭다운을 클릭하고 월간 판매로 이동합니다. 시계열 플랫폼을 열고 날짜가 시계열인 Sales($1000) 열을 선택합니다.
JMP에서 늘 그렇듯이, 이 데이터에 대해 알려주는 몇 가지 테스트 통계가 있습니다. 그래프 오른쪽의 표에서 Zero Mean ADF, Single Mean ADF 및 Trend ADF 통계를 확인하십시오. ADF는 Augmented Dickey Fuller 테스트의 약자로 시계열 내에서 단위 루트(시간이 지남에 따라 변하는 기능)를 확인하는 방법입니다. Lamen의 용어로, 데이터 내에서 기본 시간 종속 추세를 확인하는 것입니다. 세 가지 메트릭은 기본 시간 구성 요소가 없는지(0 평균), 시간에 따른 지속적인 증가(단일 평균) 및 시간에 따른 가속(추세)에 해당합니다. 통계량이 아래에 있는 T 값 미만이면 구성 요소가 아니라는 귀무 가설을 기각할 수 있습니다. 즉, T 값 미만이면 기본 시간 구성 요소가 있습니다.
첫 번째 그래프 아래에 AutoCorrelation 요약이 있습니다. 각 포인트가 이전 포인트에 어떻게 의존하는지 보여줍니다.
명확한 순환 패턴을 확인하면 데이터를 예측하기 위해 계절 지수 평활 피팅을 시도할 수 있습니다. 빨간색 삼각형 > 평활 모델 > 계절 지수 평활로 이동합니다.
빨간색 선은 미래에 대한 예측 값과 함께 모델의 적합성을 보여줍니다. 모델 요약에는 DF(Degrees of Fredom), Rsquare 등과 같은 기존 통계가 있습니다. 또한 Akaike의 'A' 정보 기준( AIC ). 이 메트릭은 모델의 추가 매개변수에 페널티를 주기 때문에 다른 모델을 비교하는 데 유용하므로 추가 항이 있는 사람들이 불공정한 이점을 얻지 못합니다. 유사하게 슈바르츠 베이지안 기준( 빅 ) 추가 매개변수에 불이익을 주지만 AIC보다 더 심각합니다. 일반적으로 AIC가 고차 모델(더 복잡한)을 가리키는 경우를 제외하고는 동의할 것입니다. 두 숫자 모두 값이 낮을수록 좋습니다.
모델 요약
DF | 129 |
제곱 오차의 합 | - 21565.8785
|
분산 추정치 | - 167.177353
|
표준 편차 | - 12.9297082
|
Akaike의 'A' 정보 기준 | - 1048.48556
|
슈바르츠의 베이지안 기준 | - 1054.23595
|
알스퀘어 | - 0.98719989
|
RSquare 조정 | - 0.98710066
|
메이프 | - 3.44018638
|
마에 | - 9.90829917
|
-2LogLikelihood | - 1044.48556
|
안정적인 | 예 | |
뒤집을 수 있는 | 아니 | |
모수 추정치
용어 | 추정 | 표준 오류 | t 비율 | 문제>|t| |
레벨 스무딩 가중치 | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
계절 평활 가중치 | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
시계열 데이터 탐색에 도움이 되길 바랍니다. 시계열 분석에 대한 질문이나 공유할 훌륭한 시계열 이야기가 있으면 댓글을 남겨주세요. 감사!
