C31 優化連續過程 (Kay)標題：C31 優化連續流程
作者：菲爾·凱
附：我有一個用於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，尤其是在化學品或生物技術情況下。
系統行為是非線性的。 存在許多變量，並且每個變量和響應之間存在未知的時間滯後。 通過標準時間序列分析來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 優化連續流程 (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。 但我不記得太多了，除了它足夠有趣，可以用於一般演示之外。
回复：C31 優化連續流程 (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。
我認為時間序列數據分析在科學和工程（金融、零售等）之外非常常見，因此會有很多。
我找不到任何適合流程工業的例子，所以這就是創建這個的原因。
菲爾
回复：C31 優化連續流程 (Kay)有每週天氣數據示例頻域DE該圖顯示瞭如何使用傅立葉基函數和 fPCA 來提取特徵。
雖然不是關鍵應用領域，但 SEM 可用於對多元時間序列進行建模。 勞拉·卡斯特羅-斯基洛（Laura Castro-Schilo）展示了 VAR（向量自回歸）模型可以擬合掃描電鏡。 https://community.jmp.com/t5/Discovery-Summit-Europe-2021/Structural-Equation-Modeling-of-Coupled-Twin-Distillation/ta-p/349223?_ga=2.241780289.218951656.1617286921-1157223820.15804171 71
您可以在 JMP 示例數據庫中的 GNP.jmp 上進行嘗試。 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 優化連續流程 (Kay)@菲爾_凱@jiancao非製造業是否有類似的例子來展示使用 Pro 來演示時間序列數據？
回复：C31 優化連續流程 (Kay)涼爽的。 這種滯後變量+機器學習方法相對於標準時間序列分析的優勢在於它可以發現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 優化連續流程 (Kay)你好@菲爾_凱
不需要您的時間，但感謝您的建議。 我想我通過查看數據理解了演示的精神。 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），但我在查看其他東西（時間序列）時發現了它。 謝謝菲爾
以馬內利
回复：C31 優化連續流程 (Kay)你好@Emmanuel_Romeu ,
我已經刪除了對 webex 視頻的引用，因為我相當確定它現在已經丟失 - 抱歉。 無論如何，該視頻僅供內部觀看者使用，不適合客戶。 我不知道該演示的其他錄音。
如果您願意，我很樂意與您討論演示。 我認為@弗洛里安_沃格特最近可能使用過這個案例研究。
乾杯，
菲爾
回复：C31 優化連續流程 (Kay)你好，
視頻鏈接無效。
我想與位於 Inside JMP 中的客戶共享錄音，但可能無法實現？
@菲爾_凱@scwise
以馬內利
