<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. La capacità di un sito di realizzare costantemente lo stesso prodotto più e più volte può fare la differenza tra un'azienda mediocre e una grande. Una chiave di questo processo è la ricerca di cambiamenti o tendenze nei dati. Sebbene non sia comunemente utilizzata, 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 su Guida > Dati di esempio. Quindi fai clic sul menu a discesa Serie temporali e vai a Vendite mensili. Aprire la piattaforma Time Series e selezionare la colonna Sales($1000) con Data come Time Series.
Come di consueto in JMP, abbiamo subito alcune statistiche di test che ci dicono qualcosa su questi dati. Notare le statistiche Zero Media ADF, Single Mean ADF e Trend ADF nella tabella a destra del grafico. ADF è l'acronimo di 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 termini di lamen, sta controllando una tendenza sottostante dipendente dal tempo all'interno dei dati. Le tre metriche corrispondono al controllo dell'assenza di componenti temporali sottostanti (media zero), aumento costante nel tempo (media singola) e accelerazione nel tempo (trend). Se la statistica è inferiore al valore T trovato sotto, l'ipotesi nulla che non sia un componente può essere rifiutata. In altre parole, se è al di sotto del valore T allora c'è una componente temporale sottostante.
Sotto il primo grafico troverai un riepilogo della correlazione automatica. Mostra come ogni punto dipende dai punti precedenti.
Notare il chiaro schema ciclico potrebbe indurre a provare un adattamento esponenziale stagionale per prevedere i dati. Vai al Triangolo rosso> Modello levigante> 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 (gradi di libertà), Rsquare, ecc. Include anche il criterio di informazione "A" di Akaike ( AIC ). Questa metrica è ottima per confrontare diversi modelli perché penalizza i 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 i parametri extra ma lo fa in modo più severo rispetto all'AIC. In generale, saranno d'accordo tranne quando AIC indica un modello di ordine superiore (più complesso). Per entrambi i numeri è preferibile un valore inferiore.
Riepilogo del modello
DF | 129 |
Somma degli errori al quadrato | - 21565.8785
|
Stima della varianza | - 167.177353
|
Deviazione standard | - 12.9297082
|
Criterio informativo "A" di Akaike | - 1048.48556
|
Criterio bayesiano di Schwarz | - 1054.23595
|
RQuadrato | - 0.98719989
|
Rquadrato agg | - 0.98710066
|
MAPE | - 3.44018638
|
MAE | - 9.90829917
|
-2LogProbabilità | - 1044.48556
|
Stabile | sì | |
Invertibile | No | |
Stime dei parametri
Termine | Stima | Errore standard | rapporto t | Prob>|t| |
Peso di livellamento del livello | - 0.2493692
- 0.0404538
- 6.16
| <.0001* | |
Peso levigante 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!
