<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />幾乎所有製造工廠共有的一件事是統計過程控制。 一個網站一次又一次地始終如一地製作相同的產品的好壞可能是一家平庸的公司和一家偉大的公司之間的區別。 該過程的一個關鍵是尋找數據中的變化或趨勢。 雖然不常用，但時間序列分析可以成為減少變異過程中的有用工具。
可以在分析 > 建模 > 時間序列下訪問 JMP 中的時間序列分析平台
讓我們看一下樣本數據中的一個數據。 轉到幫助 > 示例數據。 然後單擊時間序列下拉菜單並轉到每月銷售額。 打開時間序列平台並選擇以日期作為時間序列的 Sales($1000) 列。
與 JMP 中的往常一樣，我們馬上就有一些測試統計數據來告訴我們有關這些數據的一些信息。 請注意圖表右側表格中的零均值 ADF、單一均值 ADF 和趨勢 ADF 統計數據。 ADF 代表 Augmented Dickey Fuller 檢驗，這是一種檢查時間序列中單位根（隨時間變化的特徵）的方法。 用 lamen 的話來說，它正在檢查數據中潛在的時間相關趨勢。 這三個指標對應於檢查無潛在時間分量（零均值）、隨時間不斷增加（單一均值）和隨時間加速（趨勢）。 如果統計量低於下面找到的 T 值，則可以拒絕它不是組件的零假設。 換句話說，如果它低於 T 值，則存在潛在的時間分量。
在第一個圖表下方，您會找到一個自相關摘要。 它顯示了每個點如何依賴於前面的點。
注意到明顯的周期性模式可能會導致嘗試使用季節性指數平滑擬合來預測數據。 轉到紅色三角形 > 平滑模型 > 季節性指數平滑。
紅線顯示模型的擬合以及未來的預測值。 模型摘要具有傳統的統計數據，例如 DF（自由度）、Rsquare 等。 它還包括 Akaike 的“A”信息標準（ AIC ）。 該指標非常適合比較不同的模型，因為它會懲罰模型中的額外參數，因此那些具有額外條款的人不會獲得不公平的優勢。 類似地，施瓦茨貝葉斯準則 ( BIC ) 懲罰額外的參數，但比 AIC 更嚴重。 一般來說，他們會同意，除非 AIC 指向更高階的模型（更複雜）。 對於這兩個數字，較低的值更好。
模型摘要
東風 | 129 |
平方誤差之和 | - 21565.8785
|
方差估計 | - 167.177353
|
標準差 | - 12.9297082
|
Akaike 的“A”信息準則 | - 1048.48556
|
施瓦茨的貝葉斯準則 | - 1054.23595
|
R方 | - 0.98719989
|
R方調整 | - 0.98710066
|
馬佩 | - 3.44018638
|
MAE | - 9.90829917
|
-2對數似然 | - 1044.48556
|
穩定的 | 是的 | |
可逆的 | 不 | |
參數估計
學期 | 估計 | 標準錯誤 | 比率 | 概率>|t| |
電平平滑權重 | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
季節性平滑權重 | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
我希望這可以幫助您探索時間序列數據。 如果您對時間序列分析或任何精彩的時間序列故事有任何疑問，請發表評論。 謝謝！
