<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Una cosa comune a quasi tutti gli impianti di produzione è il controllo statistico del processo. Il modo in cui un sito produce costantemente lo stesso prodotto più e più volte può fare la differenza tra un'azienda mediocre e una grande. Una chiave di quel processo è cercare cambiamenti o tendenze nei dati. Sebbene non sia comunemente usata, l'analisi delle serie temporali può essere uno strumento utile lungo il percorso di riduzione delle variazioni.
È possibile accedere alla piattaforma di analisi delle serie temporali in JMP in Analizza > Modellazione > Serie temporali
Diamo un'occhiata a un dato dai dati di esempio. Vai a Aiuto > Dati di esempio. Quindi fai clic sul menu a discesa Serie temporali e vai a Vendite mensili. Apri la piattaforma Serie temporali e seleziona la colonna Vendite ($ 1000) con Data come Serie storica.
Come al solito in JMP, abbiamo subito alcune statistiche di test che ci dicono qualcosa su questi dati. Notare le statistiche Zero Mean ADF, Single Mean ADF e Trend ADF nella tabella a destra del grafico. ADF sta per Augmented Dickey Fuller test, che è un modo per verificare la presenza di una radice unitaria (una caratteristica che cambia nel tempo) all'interno delle serie temporali. In parole povere, sta verificando una tendenza sottostante dipendente dal tempo all'interno dei dati. Le tre metriche corrispondono al controllo di nessuna componente temporale sottostante (media zero), aumento costante nel tempo (media singola) e accelerazione nel tempo (Trend). Se la statistica è inferiore al valore T che si trova sotto, l'ipotesi nulla che non sia un componente può essere rifiutata. In altre parole, se è inferiore al valore T, c'è una componente temporale sottostante.
Sotto il primo grafico troverai un riepilogo di AutoCorrelation. Mostra come ogni punto dipende dai punti precedenti.
Notare il chiaro modello ciclico potrebbe portare a provare un adattamento esponenziale stagionale per prevedere i dati. Vai al Triangolo rosso> Modello di levigatura> Levigatura esponenziale stagionale.
La linea rossa mostra l'adattamento del modello insieme ai valori previsti per il futuro. Il riepilogo del modello ha le statistiche tradizionali come DF (Degrees of Fredom), Rsquare, ecc. Include anche il criterio informativo "A" di Akaike ( AIC ). Questa metrica è ottima per confrontare diversi modelli perché penalizza parametri extra nel modello in modo che quelli con termini extra non ottengano un vantaggio ingiusto. Allo stesso modo il criterio bayesiano di Schwarz ( BIC ) penalizza parametri aggiuntivi ma lo fa in modo più severamente rispetto all'AIC. In generale, saranno d'accordo tranne quando l'AIC indicherà un modello di ordine superiore (più complesso). Per entrambi i numeri è meglio un valore più basso.
Riepilogo del modello
DF | 129 |
Somma degli errori al quadrato | - 21565.8785
|
Stima della varianza | - 167.177353
|
Deviazione standard | - 12.9297082
|
Criterio di informazione "A" di Akaike | - 1048.48556
|
Criterio bayesiano di Schwarz | - 1054.23595
|
Rquadrato | - 0.98719989
|
RSquare Adj | - 0.98710066
|
MAPPA | - 3.44018638
|
MAE | - 9.90829917
|
-2LogProbabilità | - 1044.48556
|
Stabile | sì | |
Invertibile | No | |
Stime dei parametri
Termine | Stima | Errore standard | t Rapporto | Problema>|t| |
Peso di livellamento del livello | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
Peso lisciante stagionale | - 1.0000000
- 0.0980935
- 10.19
| <.0001* | |
Spero che questo ti aiuti nella tua esplorazione dei dati delle serie temporali. Si prega di lasciare un commento se avete domande sull'analisi delle serie temporali o su storie fantastiche da condividere. Grazie!
