Re: 두 개의 상관 변수를 사용한 시계열 예측몇 가지 명확한 질문과 몇 가지 제안을 드리겠습니다.
1. 그룹 또는 1인당 총 지출을 예측하려고 합니까?
2. 40~60세에서 70~80세 사이의 그룹으로서 x와 y에 대한 과거 데이터가 있습니까?
3. 예측 모델 또는 설명 모델을 조합하려고 합니까?
그리고 모델링 생각...모델 적합을 사용하여 이의를 제기하지 않는 동안 이와 같은 그룹화된 x 변수를 사용하거나 시계열 모델링 옵션이 유용할 수 있습니다...다음과 같은 비선형 모델링 방법 중 하나를 생각하고 있습니다. 파티션도 유용할까요? 나는 항상 명백하게 이질적인 많은 모델링 방법을 시도하고 당면한 실제 문제에 가장 적합한 방법을 찾는 것을 지지합니다.
Re: 두 개의 상관 변수를 사용한 시계열 예측응답해 주셔서 감사합니다!
(a) 그룹의 총 지출은 내가 추구하는 것입니다(각 연령대의 1인당 비용도 유용할 것입니다).
(b) 나는 모든 과거 데이터를 가지고 있습니다. 그러나 조금 더 까다롭게 만드는 것은 젊은 성인의 경우 의료 부담이 이러한 괄호 전체에서 다소 평평하다는 것입니다. 그러나 65-70을 넘어서면 오히려 기하급수적으로 증가합니다. 따라서 인구 급증이 해당 연령대에 도달하면 총 지출이 크게 증가합니다.
(c) 예측 - 건강 관리에 대한 미래 비용을 추정하려고 합니다.
비선형과 관련하여 - 내가 가지고 있는 과거 데이터는 20년 전(따라서 20행)까지 거슬러 올라가므로 내 세트가 비선형 모델의 유효성 검사를 위해 보류 데이터를 처리할 만큼 충분히 크지 않다고 생각합니다.
감사합니다!
Re: 두 개의 상관 변수를 사용한 시계열 예측좋아요... 제 별난 아이디어가 있지만 다른 사람들도 참여하기를 바랍니다. 수집한 데이터의 특성을 이해하는 경우 응답의 '평평한' 부분에서 연령 그룹의 지출을 1인당 기준으로 계산할 수 있습니다. 65-70세를 넘는 1인당 지출...베이비 붐 세대에 대한 1인당 지출을 추정하려는 경우 1인당 예상 총 인구를 곱하여 총 지출까지 작업할 수 있습니다. 이것이 의미가 있다면?
분명히 이와 같은 장기 예측은 미지의 요소로 가득 차 있습니다. 치료의 새로운 진보/표준. COVID와 같은 '특수 원인' 또는 인구 차이에 대한 장기 인구. 예를 들어... 20년 전에 70개 이상의 연령대에서 장기간 흡연자였던 사람들의 비율이 오늘날보다 훨씬 더 크다고 장담합니다. 아니면 미국 정부가 메디케어와 같은 사회 프로그램에 대한 대대적인 구조적 변화와 같은 과감한 조치를 취하는 것을 금합니다.
저는 업계에 있는 동안 항상 이와 같은 문제를 해결하는 것을 좋아했습니다...저는 고용, 소득, 세수 등과 같은 거시 경제 현상에 대한 장기 예측을 수행하는 이전 고용주의 재무 그룹에 속해 있었습니다. 조지 박스(George Box)의 유명한 인용문인 "모든 모델은 틀렸다... 일부는 유용하다..."와 같은 응용 분야가 포스터 어린이인 영역이 있었습니다.
Re: 두 개의 상관 변수를 사용한 시계열 예측여기에 하나의 "잘못된" 모델을 추가하겠습니다. @P_Bartell 말했다.
시계열 플랫폼에는 "전달 함수 모델"로 알려진 모델 유형이 있습니다. 하나 이상의 입력 시계열의 함수로 응답 시계열을 모델링합니다. 귀하의 예에서 "지출"은 응답 시계열처럼 보이고 "인구"는 입력 시계열처럼 보입니다.
유용할 수 있는 다음 두 리소스를 확인하세요. 선적 서류 비치 그리고 대화 .
나에게 "연령대별로 그룹화 된 시계열"이 의미하는 바가 명확하지 않습니다. 개별 연령 그룹에 대한 연간 "지출" 시리즈가 여러 개 있습니까? 즉, 매년 59세는 이사를 가고 69세는 이사를 나가는데 상관없이 60세 그룹에 대한 연간 지출이 있습니다. 그래서 50세 그룹 등이 있습니다. 한편, 매년 60세 그룹의 인구 수를 가지고 있습니다. 그리고 59명이 입주하고 69명이 이사를 나가기 때문에 집계가 같은 코호트에 있지 않습니다. 내가 설명한 것이 사실이라면 꽤 많은 시리즈가 있습니다.
또는 "지출" 시리즈가 연령별로 구분되지 않을 수도 있습니다. 그런 다음 하나의 응답 시리즈와 여러 입력 시리즈가 있습니다. 당신이 말했듯이 하나의 입력 시리즈가 아닙니다. 이 경우 "전달 함수 모델"에는 여러 입력 시리즈가 있습니다. 이 설정에서 전달 함수 모델은 현재 및/또는 이전 입력 및/또는 과거 응답의 가중 합으로 언제든지 응답을 모델링할 수 있습니다.
모델을 얻은 후에는 입력 시리즈를 예측하고 모델에 다시 피드백하여 향후 응답을 예측해야 합니다. 예측 입력 계열은 별도의 문제입니다. 이 경우 연령별 인구 예측 자체가 어려운 일이다. 연령대 분포는 지난 수십 년 동안 상당히 변했습니다.
이 모델에서 마지막으로 누락될 수 있는 부분은 다음과 같은 경제 시리즈입니다. @P_Bartell 말하는. 해당 계열을 추가 입력으로 추가하는 것을 고려할 수 있습니다. 예: 인플레이션, 매크로 등
Re: 두 개의 상관 변수를 사용한 시계열 예측귀하의 모든 제안과 고려해야 할 모든 사항에 대해 두 분께 진심으로 감사드립니다. 이해를 돕기 위해 jmp 테이블을 업로드했습니다. 그리고 예, 모델에 대해 고려해야 할 요소가 너무 많습니다. 이 연습의 목적을 위해 저는 모델을 "덜 나쁜" 모델로 만들려고 합니다. 제가 생각하고 아마도 일을 단순화하는 데 도움이 될 수 있도록 Peng이 하나의 응답 시리즈(이 경우 총 지출을 나타내는 NL 총계 - 해당 분할 이전의 모든 열은 연령대별로 계산됨)를 갖는 것으로 제안한 아이디어입니다. 다음 20개 정도의 열은 연령대 및 전체 인구입니다. 그 이후의 열은 실제로 필요하지 않습니다. 첫 번째 질문은 위의 문서와 비디오를 읽고 본 후 시작 창의 "Input List"가 실제로 무엇을 의미하며 빨간색 삼각형 드롭다운 메뉴에서 "Transfer Function"을 선택하는 것과 어떻게 다른지입니다. , 맹목적으로 "입력 목록"에 열을 넣었을 때 출력의 제목은 "전송 기능"입니다. 이 문제에 잠재적으로 적용할 수 있는 것처럼 보이지만 도움말이나 비디오에서 "입력 목록"이 어떻게 사용되는지에 대한 예를 찾을 수 없습니다.
다시 한번 감사합니다!
최상의,
그렉
Re: 두 개의 상관 변수를 사용한 시계열 예측JMP Pro가 있습니까? 그렇다면 Functional Data Explorer(FDE)를 사용하여 예측에 사용할 수 있는 모델을 만들 수 있습니다. 첨부된 테이블에서 데이터를 누적했습니다(NL 및 Population 열만 유지하고 HC Expense 및 Canada 열은 유지하지 않음). 아래 스크린샷은 인구를 가중치 빈도로 사용하여 각 연령 그룹에 적합한 비용 모델을 보여줍니다. 그것이 정확히 당신이 찾고 있는 것인지 확신할 수 없지만 FDE 플랫폼에서 모델링하는 다양한 방법이 있습니다. 여기 링크 또는 둘 FDE의 관련 자료에.
Re: 두 개의 상관 변수를 사용한 시계열 예측귀하의 데이터는 흥미 롭습니다. 몇 가지를 골라서 자세히 이야기하겠습니다.
첫째, 전달 함수 모델. 이것은 모델의 풍부한 클래스입니다. 그리고 당신은 주제에 대한 성경을 확인하고 싶을 수도 있습니다 시계열 분석, George EP Box, Gwilym M. Jenkins, Gregory C. Reinsel. 데이터의 하위 집합을 사용하여 소개 버전을 포함하겠습니다. 첨부된.
하위 집합은 75-79세 그룹입니다. 여기에는 많은 전달 함수 모델에 맞는 임베디드 스크립트가 있습니다. 그것을 실행합니다. 그러면 다음 표가 표시됩니다. 확인란을 사용하여 보고서를 하나씩 가져옵니다. 그리고 나는 그것들이 무엇인지 설명할 것입니다. (그런데, 데이터를 스케일링했습니다. 원본 데이터를 사용하면 극단값으로 인해 알고리즘에 문제가 있는 경우가 있습니다.)
첫 번째 모델, 공식 사진을 보세요. 시간 t의 Scaled NL은 절편에 시간 t의 Scaled Population의 가중 값과 오류를 더한 값이라고 합니다. 따라서 이것은 단순한 선형 회귀입니다. X 플랫폼에서 Fit Y를 사용하면 동일한 결과를 얻을 수 있습니다.
그러나 아래 잔차 도표를 보십시오. 이는 여전히 설명할 수 없는 패턴이 있음을 나타냅니다.
이제 두 번째 모델을 불러와 수식과 잔차를 살펴봅니다.
공식은 여전히 회귀처럼 보입니다. 그러나 Scaled Population의 첨자는 t-1입니다. 이 모델은 시간 t에서의 Scaled NL이 상수, 이전 시간 t-1에서의 Scaled Population의 가중 값 및 오류의 합이라고 말합니다. 따라서 이 모델은 약간의 데이터 배열 없이 Fit Y by X에 쉽게 적합하지 않습니다. 어쨌든 이것은 잔차에 따르면 여전히 좋은 모델이 아닙니다.
이제 세 번째 모델을 불러옵니다.
주요 부분은 첫 번째 모델과 동일하며 단순 회귀이지만 오차항이 복잡해 보입니다. 표기법에 익숙해지면 표기법이 다음을 의미한다는 것을 알게 될 것입니다. 시간 t의 스케일링된 NL은 시간 t-1의 과거 값을 포함합니다. 요약하면 이 모델은 다음과 같이 말합니다. 시간 t에서의 스케일링된 NL은 상수, 시간 t에서의 가중 스케일링된 모집단, 시간 t-1에서의 가중 스케일링된 NL 및 오류 항의 합입니다. 그래서 우리는 더 복잡한 모델을 가지고 있습니다. 잔차 도표를 보면 명백한 패턴이 적습니다.
네 번째 모델은 유사하지만 지연된 Scaled Population을 사용했습니다. 모델은 다음과 같이 말합니다. 시간 t에서 척도화된 NL은 상수, 시간에 가중된 척도 모집단의 합입니다. t-1 , 시간 t-1에서의 가중 스케일링된 NL 및 오류 항.
5번째와 6번째 모델은 더 복잡해지지만 불필요합니다. 하지만 일이 얼마나 복잡해질 수 있는지 알려주기 위해 그대로 둡니다. 그리고 이러한 예는 여전히 상당히 간단합니다.
요약하면 전달 함수 모델은 단순한 선형 회귀처럼 간단할 수도 있고, 응답과 입력 시리즈 값의 과거 값(및/또는 입력의 현재 값)의 겉보기에 뒤얽힌 합계로 응답을 표현하여 더 복잡할 수도 있습니다.
그리고 하위 집합에 잘 맞는 모델이 하나 이상 있는 것 같습니다. 세 번째 모델을 사용하겠습니다. 그리고 "Interactive Forecasting" 부분을 보세요.
강조 표시된 마커는 드래그할 수 있습니다. 당신이 그들을 이동하는 경우 그들은 자기 설명해야합니다. 그러나 강조하기 위해 아래쪽 프레임의 마커는 미래의 입력 계열 값을 나타냅니다. 미래의 입력 값을 예측할 수 있는 경우 원하는 위치에 마커를 배치해야 하며 상단의 출력 프레임에 응답 시리즈의 예측이 어떻게 보이는지 표시되어야 합니다. 향후 입력 값은 다른 방법으로 가져올 수 있습니다. 자세히 설명하지는 않겠습니다(플롯 위에 목적을 나타내는 버튼이 있습니다.).
따라서 위는 전달 함수 모델을 사용하여 데이터의 하위 집합을 분석하고 예측하는 예입니다. 하지만 말이 되지 않습니까? 나에게는 잘 모르겠습니다. 귀하의 데이터는 꽤 릭입니다. 모델은 이 하위 집합에 잘 맞습니다. 그러나 모든 하위 집합에 잘 맞지는 않습니다. 그리고 결론은 여러분에게 맡기겠습니다.
연령대별로 데이터가 어떻게 보이는지 요약하기 위해 플롯을 만들었습니다. 파란색 선은 연령대별 NL 시리즈입니다. 그리고 빨간색 선은 해당 인구 시리즈입니다. 모든 NL 시리즈는 상승 추세를 보입니다. 인구 시리즈는 50세 미만의 연령 그룹에 대해 하향 추세를 보입니다. 54세 이상에서는 상승 추세를 보입니다. 몇 가지 불가사의:
- 이 사진은 내년, 내후년 등에 어떤 모습일까요?
- 50-54 그룹의 컷오프를 설명하는 방법은 무엇입니까? 젊은 연령 그룹에 대한 NL과 인구 사이의 반대 경향을 해석하는 방법과 고연령 그룹에 대한 동일한 경향을 해석하는 방법.
- NL 시리즈의 마지막에 있는 흔들림은 무엇을 말하려고 합니까? 그들은 나에게 흥미로워 보인다.
Re: 두 개의 상관 변수를 사용한 시계열 예측다음은 다른 각도에서 데이터를 살펴봅니다.
맨 위 행의 각 프레임은 수년에 걸쳐 NL 대 연령 그룹의 도표입니다.
맨 아래 행의 각 프레임은 수년 동안 인구 대 연령 그룹의 플롯입니다.
나에게 이 플롯은 무엇이 변하고 무엇이 변하지 않는지에 대한 보다 일관된 관점을 제공합니다.
그리고 위에 있는 21개의 프레임을 전체적으로 보고 하나의 프레임에 연속적으로 넣으면 계절 ARIMA 모델로 잘 알려진 유명한 항공사 승객 데이터가 떠오릅니다.
Re: 두 개의 상관 변수를 사용한 시계열 예측펭수님 다시한번 감사드립니다. 나는 이것을 훨씬 더 잘 이해하기 시작했지만 한 가지가 여전히 나를 혼란스럽게 합니다. 수정된 테이블과 함께 업로드된 파일을 사용하여 스크립트를 직접 수정하고 스크립트를 실행하지 않으면 결과를 재현할 수 없습니다. 그 이유는 잠재적인 버그(해결되었을 수 있음 - 현재 JMP 15를 사용하고 있지만 곧 17로 업그레이드할 예정임)이거나 상당히 어리석은 일을 하고 있기 때문일 수 있습니다. 그런데 첨부된 스크린샷을 보시면 상단 박스가 회색으로 되어 있습니다. 그리고 내가 무엇을 하든 스크립트에서 직접 변경하지 않는 한 지연을 입력할 수 없습니다. 다시 한 번 귀하의 도움에 크게 감사드립니다.
친애하는,
그렉
Re: 두 개의 상관 변수를 사용한 시계열 예측연락주세요 support@jmp.com , @GregMcMahon
이것이 문제였는지 기억이 나지 않습니다. JMP15나 JMP14에서는 재현할 수 없습니다. 디스플레이가 동기화되지 않은 것처럼 보이며 숫자 편집기 상자가 레이블과 함께 정렬됩니다. 한 행씩 위로 이동했어야 합니다.
한 가지 이유는 열 이름 때문이라고 생각할 수 있습니다. 최신 버전의 JMP에서는 콜론, 따옴표, 이름, 끝 따옴표, "n"을 사용하여 대시와 같은 특이한 문자가 있는 열을 나타냅니다.
이전 버전의 JMP는 이름 함수 호출을 사용합니다.
스크립트를 어떻게 수정했는지는 모르겠지만 이전 버전에서 실행하려면 데이터 테이블의 스크립트와 열 이름을 모두 수정해야 한다고 생각합니다. 이전 버전에 대한 업데이트된 데이터 테이블을 첨부합니다. 이 버전이 작동한다면 열 이름 때문에 문제가 발생한 것이 확실합니다. 그러나 의심스러운 점이 있으면 기술 지원에 문의하십시오. 감사합니다.
또한 최신 버전을 받은 후에는 최신 릴리스에 추가된 Box-Cox 변형 기능을 확인하고 싶습니다.
보다 시계열 실행
람다 = 0.2174인 그럴듯한 계절 ARIMA (1,0,1)(1,1,0)19 모델을 맞출 수 있습니다.
Re: 두 개의 상관 변수를 사용한 시계열 예측펭에게 다시 한 번 감사드립니다. 도움이 되지 않아 첨부파일을 첨부하여 장문의 글을 써서 지원하게 되었습니다. 더 많이 듣는 대로 계속 업데이트하겠습니다.
친애하는,
그렉
Re: 두 개의 상관 변수를 사용한 시계열 예측업데이트 @GregMcMahon - 보고하신 문제는 JMP Development로 보내졌으며 JMP의 차기 주요 릴리스(JMP 18)에서 수정되었습니다. 문제를 자세히 보고해 주셔서 감사합니다. 올바른 솔루션을 식별하고 찾는 데 도움이 되었습니다.
두 개의 상관 변수를 사용한 시계열 예측모델 적합, 시계열 분석 또는 시계열 예측에서 이 작업을 수행할 수 있는 방법이 있다고 확신합니다. 연령대별로 그룹화된 두 개의 시계열이 있습니다. 열은 인구 및 의료비 지출입니다. 개별적으로 데이터에 문제 없이 일부 예측 모델링을 수행할 수 있습니다. 그런데 저는 40~60대 인구가 급증해서 70~80대에 이르면 의료비 부담이 늘어나서 그냥 놔두면 잡히지 않습니다. 지출 열 자체에 대한 예측.
모든 조언에 감사드리며 모두 새해 복 많이 받으세요!
최상의,
그렉
고급 통계 모델링
