<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Eine Sache, die fast alle produzierenden Betriebe gemeinsam haben, ist die statistische Prozesskontrolle. Wie gut eine Website immer und immer wieder dasselbe Produkt herstellt, kann den Unterschied zwischen einem mittelmäßigen und einem großartigen Unternehmen ausmachen. Ein Schlüssel zu diesem Prozess ist die Suche nach Verschiebungen oder Trends in den Daten. Obwohl sie nicht häufig verwendet wird, kann die Zeitreihenanalyse ein hilfreiches Werkzeug auf dem Weg der Variationsreduzierung sein.
Auf die Zeitreihenanalyseplattform in JMP kann unter Analysieren > Modellierung > Zeitreihen zugegriffen werden
Werfen wir einen Blick auf Daten aus den Beispieldaten. Gehen Sie zu Hilfe > Beispieldaten. Klicken Sie dann auf das Dropdown-Menü Time Series und gehen Sie zu Monthly Sales. Öffnen Sie die Time Series-Plattform und wählen Sie die Spalte Sales($1000) mit Date als Time Series aus.
Wie bei JMP üblich, haben wir gleich zu Beginn einige Teststatistiken, die uns etwas über diese Daten verraten. Beachten Sie die Statistiken Null-Mittelwert ADF, Einzel-Mittelwert ADF und Trend-ADF in der Tabelle rechts neben dem Diagramm. ADF steht für Augmented Dickey Fuller Test, der eine Möglichkeit darstellt, innerhalb der Zeitreihe auf eine Einheitswurzel (ein Merkmal, das sich im Laufe der Zeit ändert) zu prüfen. Lamens ausgedrückt wird nach einem zugrunde liegenden zeitabhängigen Trend in den Daten gesucht. Die drei Metriken entsprechen der Prüfung auf keine zugrunde liegende Zeitkomponente (Nullmittelwert), konstanter Anstieg über die Zeit (einzelner Mittelwert) und Beschleunigung über die Zeit (Trend). Wenn die Statistik unter dem unten gefundenen T-Wert liegt, kann die Nullhypothese, dass es sich nicht um eine Komponente handelt, zurückgewiesen werden. Mit anderen Worten, wenn es unter dem T-Wert liegt, gibt es eine zugrunde liegende Zeitkomponente.
Unterhalb des ersten Diagramms finden Sie eine Zusammenfassung der Autokorrelation. Es zeigt, wie jeder Punkt von den vorherigen Punkten abhängig ist.
Das Erkennen des klaren zyklischen Musters könnte dazu führen, einen saisonalen exponentiellen Glättungsfit zu versuchen, um die Daten vorherzusagen. Gehen Sie zu Rotes Dreieck > Glättungsmodell > Saisonale exponentielle Glättung.
Die rote Linie zeigt die Anpassung des Modells zusammen mit den vorhergesagten Werten für die Zukunft. Die Modellzusammenfassung enthält die traditionellen Statistiken wie DF (Degrees of Fredom), Rsquare usw. Es enthält auch das 'A'-Informationskriterium von Akaike ( AIC ). Diese Metrik eignet sich hervorragend zum Vergleichen verschiedener Modelle, da sie zusätzliche Parameter im Modell bestraft, sodass diejenigen mit zusätzlichen Termen keinen unfairen Vorteil erhalten. Ähnlich ist das Schwarz-Bayes-Kriterium ( BIC ) bestraft zusätzliche Parameter, tut dies jedoch strenger als die AIC. Im Allgemeinen werden sie zustimmen, außer wenn AIC auf ein Modell höherer Ordnung (komplexer) hinweist. Für beide Zahlen ist ein niedrigerer Wert besser.
Modellzusammenfassung
DF | 129 |
Summe der quadrierten Fehler | - 21565.8785
|
Abweichungsschätzung | - 167.177353
|
Standardabweichung | - 12.9297082
|
Akaikes „A“-Informationskriterium | - 1048.48556
|
Bayessches Kriterium von Schwarz | - 1054.23595
|
R Quadrat | - 0,98719989
|
RSquard Adj | - 0,98710066
|
KARTE | - 3.44018638
|
MAE | - 9.90829917
|
-2LogWahrscheinlichkeit | - 1044.48556
|
Stabil | Ja | |
Invertierbar | Nein | |
Parameterschätzungen
Begriff | Schätzen | Standardfehler | t-Verhältnis | Prob>|t| |
Level-Glättungsgewicht | - 0,2493692
- 0,0404538
- 6.16
| <.0001* | |
Saisonales Glättungsgewicht | - 1.0000000
- 0,0980935
- 10.19
| <.0001* | |
Ich hoffe, dies hilft Ihnen bei der Untersuchung von Zeitreihendaten. Bitte hinterlassen Sie einen Kommentar, wenn Sie Fragen zur Zeitreihenanalyse oder großartige Zeitreihengeschichten haben, die Sie teilen möchten. Vielen Dank!
