<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />ほとんどすべての製造工場に共通することの 1 つは、統計的プロセス管理です。 サイトが一貫して同じ製品を何度も何度も作成できるかどうかが、平凡な会社と優れた会社の違いになる可能性があります. そのプロセスの鍵の 1 つは、データの変化や傾向を探すことです。 一般的には使用されませんが、時系列分析は、変動削減の旅に沿って役立つツールになる可能性があります。
JMP の時系列分析プラットフォームは、[分析] > [モデリング] > [時系列] からアクセスできます。
サンプルデータから 1 つのデータを見てみましょう。 [ヘルプ] > [サンプル データ] に移動します。 次に、[時系列] ドロップダウンをクリックして、[月次売上高] に移動します。 時系列プラットフォームを開き、時系列として Date を含む Sales($1000) 列を選択します。
JMPではいつものように、すぐにテスト統計を取得して、このデータについて何かを教えてくれます。 グラフの右側の表にあるゼロ平均 ADF、単一平均 ADF、トレンド ADF の統計に注目してください。 ADF は Augmented Dickey Fuller test の略で、時系列内の単位根 (時間とともに変化する機能) をチェックする方法です。 簡単に言えば、データ内の潜在的な時間依存傾向をチェックしています。 3 つのメトリックは、基本的な時間コンポーネントがないこと (ゼロ平均)、時間の経過とともに一定の増加 (単一の平均)、および時間の経過による加速 (トレンド) のチェックに対応します。 統計が下にある T 値を下回っている場合、それが成分ではないという帰無仮説は棄却できます。 つまり、T 値を下回っている場合は、基になる時間コンポーネントがあります。
最初のグラフの下に、自己相関の概要が表示されます。 各ポイントが前のポイントにどのように依存しているかを示します。
明確な周期的パターンに注目すると、季節指数平滑法を試してデータを予測することができます。 赤い三角形 > 平滑化モデル > 季節指数平滑化に移動します。
赤い線は、モデルの適合度と将来の予測値を示しています。 モデルの概要には、DF (自由度)、Rsquare などの従来の統計が含まれています。 また、赤池の「A」情報量基準 ( AIC ）。 このメトリクスは、モデル内の余分なパラメーターにペナルティを課し、余分な項を持つパラメーターが不当に有利にならないようにするため、異なるモデルを比較するのに最適です。 同様に、シュワルツベイジアン基準 (ビック) は余分なパラメータにペナルティを課しますが、AIC よりも厳しくします。 一般に、AIC が高次モデル (より複雑) を指す場合を除いて、それらは一致します。 どちらの数値も、値が小さいほど優れています。
モデルの概要
DF | 129 |
二乗誤差の合計 | - 21565.8785
|
分散推定 | - 167.177353
|
標準偏差 | - 12.9297082
|
赤池の「A」情報量基準 | - 1048.48556
|
Schwarz のベイジアン基準 | - 1054.23595
|
Rスクエア | - 0.98719989
|
R2乗調整 | - 0.98710066
|
マペ | - 3.44018638
|
前 | - 9.90829917
|
-2対数尤度 | - 1044.48556
|
安定 | はい | |
反転可能 | いいえ | |
パラメータ推定
学期 | 見積もり | 標準誤差 | tレシオ | 確率>|t| |
レベル スムージング ウェイト | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
季節平滑化ウェイト | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
時系列データの探索に役立つことを願っています。 時系列分析について質問がある場合や、共有すべき素晴らしい時系列ストーリーがある場合は、コメントを残してください。 ありがとう！
