<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />几乎所有制造工厂共有的一件事是统计过程控制。 一个网站一次又一次地持续生产相同产品的好坏可能是一家平庸的公司和一家伟大的公司之间的区别。 该过程的一个关键是寻找数据中的变化或趋势。 虽然不常用，但时间序列分析可以成为减少变异过程中的有用工具。
可以在分析 > 建模 > 时间序列下访问 JMP 中的时间序列分析平台
让我们看一下样本数据中的一个数据。 转到帮助 > 示例数据。 然后单击时间序列下拉菜单并转到每月销售额。 打开时间序列平台并选择以日期作为时间序列的 Sales($1000) 列。
与 JMP 中的往常一样，我们马上就有一些测试统计数据来告诉我们有关这些数据的一些信息。 请注意图表右侧表格中的零均值 ADF、单一均值 ADF 和趋势 ADF 统计数据。 ADF 代表 Augmented Dickey Fuller 检验，这是一种检查时间序列中单位根（随时间变化的特征）的方法。 用 lamen 的话来说，它正在检查数据中潜在的时间相关趋势。 这三个指标对应于检查无潜在时间分量（零均值）、随时间不断增加（单一均值）和随时间加速（趋势）。 如果统计量低于下面找到的 T 值，则可以拒绝它不是组件的零假设。 换句话说，如果它低于 T 值，则存在潜在的时间分量。
在第一个图表下方，您会找到一个自相关摘要。 它显示了每个点如何依赖于前面的点。
注意到明显的周期性模式可能会导致尝试使用季节性指数平滑拟合来预测数据。 转到红色三角形 > 平滑模型 > 季节性指数平滑。
红线显示模型的拟合以及未来的预测值。 模型摘要具有传统的统计数据，例如 DF（自由度）、Rsquare 等。 它还包括 Akaike 的“A”信息标准（ AIC ）。 该指标非常适合比较不同的模型，因为它会惩罚模型中的额外参数，因此那些具有额外条款的人不会获得不公平的优势。 类似地，施瓦茨贝叶斯准则 ( BIC ) 惩罚额外的参数，但比 AIC 更严重。 一般来说，他们会同意，除非 AIC 指向更高阶的模型（更复杂）。 对于这两个数字，较低的值更好。
模型摘要
东风 | 129 |
平方误差之和 | - 21565.8785
|
方差估计 | - 167.177353
|
标准差 | - 12.9297082
|
Akaike 的“A”信息准则 | - 1048.48556
|
施瓦茨的贝叶斯准则 | - 1054.23595
|
R方 | - 0.98719989
|
R方调整 | - 0.98710066
|
马佩 | - 3.44018638
|
MAE | - 9.90829917
|
-2对数似然 | - 1044.48556
|
稳定的 | 是的 | |
可逆的 | 不 | |
参数估计
学期 | 估计 | 标准错误 | 比率 | 概率>|t| |
电平平滑权重 | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
季节性平滑权重 | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
我希望这可以帮助您探索时间序列数据。 如果您对时间序列分析或任何精彩的时间序列故事有任何疑问，请发表评论。 谢谢！
