<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Una cosa común a casi todas las plantas de fabricación es el Control Estadístico de Procesos. La eficacia de un sitio para fabricar constantemente el mismo producto una y otra vez puede ser la diferencia entre una empresa mediocre y una excelente. Una clave de ese proceso es buscar cambios o tendencias en los datos. Aunque no se usa comúnmente, el análisis de series de tiempo puede ser una herramienta útil en el camino de la reducción de la variación.
Se puede acceder a la plataforma de análisis de series temporales en JMP en Analizar > Modelado > Series temporales
Echemos un vistazo a un dato de los datos de muestra. Vaya a Ayuda > Datos de muestra. Luego haga clic en el menú desplegable Serie temporal y vaya a Ventas mensuales. Abra la plataforma Serie temporal y seleccione la columna Ventas ($1000) con Fecha como Serie temporal.
Como es habitual en JMP, desde el principio tenemos algunas estadísticas de prueba para decirnos algo sobre estos datos. Observe las estadísticas Zero Mean ADF, Single Mean ADF y Trend ADF en la tabla a la derecha del gráfico. ADF significa prueba Dickey Fuller aumentada, que es una forma de verificar una raíz unitaria (una característica que cambia con el tiempo) dentro de la serie temporal. En términos de lamen, está comprobando una tendencia subyacente dependiente del tiempo dentro de los datos. Las tres métricas corresponden a la verificación de ningún componente de tiempo subyacente (media cero), aumento constante en el tiempo (media única) y aceleración en el tiempo (Tendencia). Si la estadística está por debajo del valor T que se encuentra a continuación, entonces se puede rechazar la hipótesis nula de que no es un componente. En otras palabras, si está por debajo del valor T, entonces hay un componente de tiempo subyacente.
Debajo del primer gráfico, encontrará un resumen de Autocorrelación. Muestra cómo cada punto depende de los puntos anteriores.
Notar el patrón cíclico claro podría llevar a probar un ajuste de suavizado exponencial estacional para predecir los datos. Vaya al Triángulo rojo > Modelo de suavizado > Suavizado exponencial estacional.
La línea roja muestra el ajuste del modelo junto con los valores previstos en el futuro. El resumen del Modelo tiene las estadísticas tradicionales como DF (Grados de Libertad), Rsquare, etc. También incluye el criterio de información 'A' de Akaike ( AIC ). Esta métrica es excelente para comparar diferentes modelos porque penaliza los parámetros adicionales en el modelo para que aquellos con términos adicionales no obtengan una ventaja injusta. De manera similar, el criterio bayesiano de Schwarz ( BIC ) penaliza los parámetros extra pero lo hace más severamente que el AIC. En general, estarán de acuerdo excepto cuando AIC apunte a un modelo de orden superior (más complejo). Para ambos números, un valor más bajo es mejor.
Resumen Modelo
DF | 129 |
Suma de errores al cuadrado | - 21565.8785
|
Estimación de varianza | - 167.177353
|
Desviación Estándar | - 12.9297082
|
Criterio de información 'A' de Akaike | - 1048.48556
|
Criterio bayesiano de Schwarz | - 1054.23595
|
R Plaza | - 0.98719989
|
Ajuste cuadrado | - 0.98710066
|
MAPA | - 3.44018638
|
MAE | - 9.90829917
|
-2LogProbabilidad | - 1044.48556
|
Estable | Sí | |
Invertible | No | |
Estimaciones de parámetros
Término | Estimar | Error estándar | relación t | Prob>|t| |
Peso de suavizado de nivel | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
Peso suavizante estacional | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
Espero que esto le ayude en su exploración de datos de series de tiempo. Deje un comentario si tiene alguna pregunta sobre el análisis de series de tiempo o alguna gran historia de series de tiempo para compartir. ¡Gracias!
