C31 優化連續過程 (Kay)標題：C31 優化連續過程
作者：菲爾·凱
附上：我有一個要添加到技術參考庫的演示。 這是一個連續的過程。有一個數據表和一個簡短的幻燈片來介紹情況。
為什麼好：我認為這是一個有用的預測演示建模和 JMP Pro，尤其是在化學或生物技術領域。
系統行為是非線性的。 每個變量和響應之間有許多變量和未知的時間滯後。 使用標準時間序列分析尋找行為將非常具有挑戰性。 因此，方法是為每個原始變量創建一系列滯後變量，然後將它們全部放入 BF 或 NN 中。 在 JMP13 中，您可以非常輕鬆地創建滯後這些變量。
附件：
- 連續過程 100628.pptx
- 連續過程數據log.jmp
實例探究回复：C31 優化連續過程（Kay）這裡有大量的時間序列數據集：
https://archive.ics.uci.edu/ml/datasets.php?format=&task=&att=&area=&numAtt=&numIns=&type=ts&sort=nameUp&view=table
也許其中之一會有所幫助。
我想我以前用過“臭氧水平檢測”數據集。 但是除了它足夠有趣以用於一般演示之外，我對它的記憶不多。
回复：C31 優化連續過程（Kay）你好@alisa_h_lowery
我不知道有任何像這樣的非製造業案例研究數據集。 對不起。
我認為會有很多，因為時間序列數據分析在科學和工程（金融、零售等）之外非常普遍。
我找不到任何適用於過程工業的示例，因此創建了這個示例。
菲爾
回复：C31 優化連續過程（Kay）有一個每週天氣數據示例FDE展示瞭如何使用傅里葉基函數和 fPCA 來提取特徵。
雖然不是關鍵應用領域，但 SEM 可用於對多變量時間序列建模。 Laura Castro-Schilo 展示了 VAR（向量自回歸回歸) 模型可以適合掃描電鏡. https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Structural-Equation-Modeling-of-Coupled-Twin-Distillation/ta-p/349223?_ga=2.241780289.218951656.1617286921-1157223820.1580417171
您可以在 JMP 示例數據庫中的 GNP.jmp 上試用它。 我還沒有這樣做，所以我不知道 SEM 結果與 SAS/ETS 中的 Proc VARMAX 相比如何。
回复：C31 優化連續過程（Kay）@Phil_凱@劍草是否有類似的非製造業示例展示使用 Pro 來演示時間序列數據？
回复：C31 優化連續過程（Kay）涼爽的。 這種滯後變量+機器學習的方法相對於標準時間序列分析的優勢在於它可以找到變量之間的非線性關係。 創建此演示是為了銷售 JMP Pro。 我可能會在描述中添加類似的內容。
回复：C31 優化連續過程（Kay）你好@Phil_凱
不需要您的時間，但感謝您的提議。 我想我抓住了查看數據的演示的精神。 有趣的是，這是我一直在尋找的東西（如何評估連續過程的滯後時間），但我在看其他東西（時間序列）時發現了它。 謝謝菲爾
伊曼紐爾
回复：C31 優化連續過程（Kay）你好@Emmanuel_Romeu ,
我已經刪除了對 webex 視頻的引用，因為我很確定它現在丟失了 - 抱歉。 無論如何，該視頻僅供內部觀眾使用——不適合客戶。 我不知道這個演示的另一個錄音。
如果您願意，我很樂意與您討論演示。 我認為@Florian_Vogt最近可能用過這個案例研究。
乾杯，
菲爾
回复：C31 優化連續過程（Kay）你好，
視頻鏈接無效。
我想與位於 Inside JMP 中的客戶共享錄音，這可能是不可能的？
@Phil_凱@scwise
伊曼紐爾
