<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />几乎所有制造工厂的共同点是统计过程控制。 一个网站能否始终如一地不断地生产相同的产品，可能是平庸公司和伟大公司之间的区别。 该过程的关键之一是寻找数据中的变化或趋势。 尽管不常用，但时间序列分析可以成为减少变异过程中的有用工具。
JMP 中的时间序列分析平台可在“分析”>“建模”>“时间序列”下访问
我们来看一下样本数据中的一个数据。 转至帮助 > 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“销售额($1000)”列，并选择“日期”作为时间序列。
与 JMP 中的惯例一样，我们立即有一些测试统计数据来告诉我们有关此数据的一些信息。 请注意图表右侧表格中的零均值 ADF、单均值 ADF 和趋势 ADF 统计数据。 ADF 代表增强迪基富勒检验，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。 用拉门的术语来说，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基础时间分量（零均值）、随时间持续增加（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原假设。 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，您将找到自相关摘要。 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人们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度以及未来的预测值。 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（航空工业协会）。 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，因此具有额外项的人不会获得不公平的优势。 类似地，施瓦茨贝叶斯准则 (商业银行）会惩罚额外的参数，但比 AIC 更严重。 一般来说，他们会同意，除非 AIC 指出更高阶的模型（更复杂）。 对于这两个数字来说，值越低越好。
型号概要
DF | 129 |
误差平方和 | - 21565.8785
|
方差估计 | - 167.177353
|
标准差 | - 12.9297082
|
赤池的“A”信息标准 | - 1048.48556
|
施瓦茨贝叶斯准则 | - 1054.23595
|
R方 | - 0.98719989
|
R方调整 | - 0.98710066
|
MAPE | - 3.44018638
|
MAE | - 9.90829917
|
-2对数似然 | - 1044.48556
|
稳定的 | 是的 | |
可逆式 | 不 | |
参数估计
学期 | 估计 | 标准误差 | t 比率 | 概率>|t| |
水平平滑权重 | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
季节性平滑权重 | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
我希望这对您探索时间序列数据有所帮助。 如果您对时间序列分析有任何疑问或有任何精彩的时间序列故事要分享，请发表评论。 谢谢！
