<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Une chose commune à presque toutes les usines de fabrication est le contrôle statistique des processus. La façon dont un site fabrique constamment le même produit peut faire la différence entre une entreprise médiocre et une excellente. L'une des clés de ce processus est la recherche de changements ou de tendances dans les données. Bien qu'elle ne soit pas couramment utilisée, l'analyse des séries chronologiques peut être un outil utile tout au long du processus de réduction des variations.
La plate-forme d'analyse de séries chronologiques dans JMP est accessible sous Analyse > Modélisation > Séries chronologiques
Examinons une donnée de l'exemple de données. Accédez à Aide > Exemples de données. Cliquez ensuite sur le menu déroulant Série chronologique et accédez à Ventes mensuelles. Ouvrez la plate-forme Time Series et sélectionnez la colonne Sales($1000) avec Date comme Time Series.
Comme d'habitude dans JMP, nous avons tout de suite quelques statistiques de test pour nous dire quelque chose sur ces données. Notez les statistiques Zero Mean ADF, Single Mean ADF et Trend ADF dans le tableau à droite du graphique. ADF signifie Augmented Dickey Fuller test, qui est un moyen de vérifier une racine unitaire (une caractéristique qui change avec le temps) dans la série chronologique. En termes simples, il vérifie une tendance sous-jacente dépendante du temps dans les données. Les trois mesures correspondent à la vérification de l'absence de composante temporelle sous-jacente (moyenne nulle), d'une augmentation constante dans le temps (moyenne unique) et d'une accélération dans le temps (tendance). Si la statistique est inférieure à la valeur T trouvée ci-dessous, l'hypothèse nulle selon laquelle il ne s'agit pas d'un composant peut être rejetée. En d'autres termes, si elle est inférieure à la valeur T, il existe une composante temporelle sous-jacente.
Sous le premier graphique, vous trouverez un résumé de l'autocorrélation. Il montre comment chaque point dépend des points précédents.
Remarquant le modèle cyclique clair pourrait conduire à essayer un ajustement de lissage exponentiel saisonnier pour prédire les données. Accédez au Triangle rouge > Modèle de lissage > Lissage exponentiel saisonnier.
La ligne rouge montre l'ajustement du modèle ainsi que les valeurs prédites pour l'avenir. Le résumé du modèle contient les statistiques traditionnelles telles que DF (degrés de liberté), Rsquare, etc. Il comprend également le critère d'information "A" d'Akaike ( AIC ). Cette métrique est idéale pour comparer différents modèles car elle pénalise les paramètres supplémentaires dans le modèle afin que ceux qui ont des termes supplémentaires n'obtiennent pas un avantage injuste. De même, le critère bayésien de Schwarz ( BIC ) pénalise les paramètres supplémentaires mais le fait plus sévèrement que l'AIC. En général, ils seront d'accord sauf lorsque l'AIC indique un modèle d'ordre supérieur (plus complexe). Pour les deux nombres, une valeur inférieure est préférable.
Résumé du modèle
DF | 129 |
Somme des erreurs au carré | - 21565.8785
|
Estimation de la variance | - 167.177353
|
Écart-type | - 12.9297082
|
Critère d'information "A" d'Akaike | - 1048.48556
|
Critère bayésien de Schwarz | - 1054.23595
|
R Carré | - 0.98719989
|
Ajustement carré RS | - 0.98710066
|
CARTE | - 3.44018638
|
MAE | - 9.90829917
|
-2LogProbabilité | - 1044.48556
|
Écurie | Oui | |
Inversible | Non | |
Estimations des paramètres
Terme | Estimation | Erreur standard | t Rapport | Prob>|t| |
Poids de lissage de niveau | - 0,2493692
- 0,0404538
- 6.16
| <.0001* | |
Poids de lissage saisonnier | - 1.0000000
- 0,0980935
- 10.19
| <.0001* | |
J'espère que cela vous aidera dans votre exploration des données de séries chronologiques. Veuillez laisser un commentaire si vous avez des questions sur l'analyse des séries chronologiques ou sur d'excellentes histoires de séries chronologiques à partager. Merci!
