Lautsprecher
|
Abschrift
|
| Stan Siranovich |
Okay, also beginnen wir mit der Beobachtung, wir haben die Beobachtung in der ersten Spalte. Und sofort sehen wir, dass wir ein etwas seltsames Format haben. |
| |
Damit gehen wir später darauf ein. Die nächste Spalte ist Y-Kappa, und das ist die sogenannte Zielvariable, das möchte ich vorhersagen. Das ist der gemessene Wert und den möchten wir in einem engen Rahmen halten. |
| |
Und in ein oder zwei Minuten werde ich erklären, warum. Und wenn wir durch die Daten scrollen, sehen wir hier ein paar Dinge. Wir haben ein paar seltsame Labels. Wir haben den T-upperExt, was auch immer das ist. Wir haben einen T-lower, wir haben einen WhiteFlow. Und das haben wir gemerkt |
| |
Einige der Spalten, tatsächlich haben die meisten Anrufe eine Nummer am Ende. Und es stellt sich heraus ... nach einigen Nachforschungen finden wir heraus, dass dies die Verzögerungszeit ist. |
| |
Und dazu komme ich, wenn ich den Vorgang erkläre. Wir haben also Dinge wie Spänefeuchte, Dampfwärme und wir sehen auch, dass wir einige fehlende Werte haben. Da ... da sind ein paar hier und da, aber hauptsächlich sieht es so aus, als wären sie auf die AAWhite beschränkt, |
| |
Entschuldigen Sie, ganz am Ende die Sulfidität. Also merken wir uns das. |
| |
Jetzt |
| |
Da wir mit solchen Dingen nicht vertraut sind, wäre es wahrscheinlich das Klügste für uns, etwas zu recherchieren und genau zu sehen, was wir sehen. Und wir würden auch gerne wissen (lass mich das PowerPoint hier hochholen) |
| |
Exakt |
| |
In Ordnung. |
| |
Lass uns anfangen. Nun, der Kamyrkocher ist ein kontinuierlicher vierstufiger Prozess für den Zellstoff- und Papierhersteller. |
| |
Jetzt diese |
| |
Prozess ... diese Prozesse sind ziemlich groß und Sie können es sich wie einen riesigen Schnellkochtopf vorstellen. Was wir tun, ist etwas Hitze, Dampf und Druck zu prüfen, |
| |
Entschuldigung, in den Reaktor. Und diese können 18 Fuß im Durchmesser und bis zu 200 Fuß hoch sein. Und was wir tun wollten, ist das Lignin abzutrennen und gleichzeitig die Kappa-Zahl zu kontrollieren. |
| |
Und das Ausgangsmaterial ist ein bisschen ungewöhnlich. Ich komme aus der chemischen Industrie und bin es gewohnt, damit zu arbeiten |
| |
ein flüssiges Ausgangsmaterial, aber hier ist unser Ausgangsmaterial Holzhackschnitzel oder Sägemehl von a |
| |
Sägewerk was auch immer. Und wir haben keine Informationen darüber, ob diese Rohstoffe zusammen deponiert werden, sie kommen übereinander, ob sie es sind |
| |
Kampagne, aber sofort wissen wir, dass wir hier einige Schwankungen haben. Unabhängig von der physikalischen Form besteht das Ausgangsmaterial zu 50 % aus Wasser, zu 25 % aus Zellstoff und zu 25 % aus Lignin. Und natürlich wollen wir das Lignin da rauslösen. |
| |
Jetzt sieht der Ablauf so aus. Es ist komplex und innerhalb dieser einzelnen Einheit gibt es vier separate Einheitsoperationen. Wir haben die Oberseite, wo die Chips hineingeworfen werden und die Reaktionsmischung, die ... die als Flüssigkeit bezeichnet wird. |
| |
Es hat etwas Ätzendes ... etwas Alkalisches, aber man kann es sich wie eine Seifenlösung vorstellen. Es wird das Lignin vom Holz trennen. |
| |
Und wir haben auch die Flüssigkeitsströme, sowohl Abwässer als auch Flüssigkeiten, und es gibt drei davon. |
| |
Und es kann entweder gleichzeitig oder gegenläufig sein, also führen wir eine weitere Variable ein. Wie ich bereits erwähnt habe, ist die Zielvariable eine Kappa-Zahl, und das ist eine ISO-Bestimmung, und wir haben hier eine andere Variable, indem die Flüssigkeiten umgewälzt und regeneriert werden. |
| |
Beginnen wir also mit einer Datenexploration. |
| |
Und so sieht die JMP-Datentabelle aus, unmittelbar nachdem ich sie in JMP eingefügt habe. Beginnen wir mit der Beobachtung, Y-Kappa, |
| |
die wir messen wollen und dann die Chiprate. Hier sind einige andere Verhältnisse. Und wir können sehen, dass wir einige fehlende Daten haben, die meisten davon scheinen sich auf diese Spalte dort und diese Spalte hier drüben zu beschränken, die Sulfidität. |
| |
Werfen wir also einen Blick auf diese, um zu sehen, ob es etwas ist, worüber wir uns Sorgen machen sollten. Und der beste Weg, das zu tun, ist meiner Meinung nach, hier hoch zu den Tabellen zu gehen und sich das fehlende Datenmuster anzusehen. |
| |
Und was ich tun werde, ist klicken, ziehen und alle diese auswählen. Und die füge ich hinzu. |
| |
Und wir bekommen diesen Tisch. |
| |
Jetzt sollten Sie die fehlende Datentabelle sehen |
| |
direkt oben auf meinem JMP-Tisch. |
| |
Und lassen Sie mich diese erste Spalte ein wenig erweitern. Wenn wir uns jetzt die erste Spalte hier ansehen, in der Zählung steht |
| |
und wir haben die Anzahl der fehlenden Spalten ist Null, und wir sehen hier in der nächsten Spalte Nullen, das ist unser Muster und das sagt uns, dass wir 131 Spalten ohne fehlende Daten haben, aber wir haben 132 Spalten |
| |
in denen zwei Spalten einige fehlende Daten enthalten. Und wo Sie die 1 und die 1 sehen, da fehlen die Daten. Und wir haben hier ein weiteres Muster mit 19, aber der Rest ist ziemlich gefüllt ... |
| |
ziemlich voll, und wenn Sie sich schon einmal mit Produktionsdaten oder Qualitätsüberwachungsdaten beschäftigt haben, sehen Sie, dass dies nicht ungewöhnlich ist. Tatsächlich ist dies dies |
| |
ziemlich vollständig für diese Art von Daten. Sehen wir uns das also etwas genauer an. Wir haben 131, wobei eine fehlt, und wir wissen, dass wir diese beiden Spalten haben. |
| |
Mal sehen, ob sie zusammenpassen. Das ist es. Es ist derselbe Datensatz mit denselben zwei Spalten mit fehlenden Daten. Und was wir tun können, ist diese erste Zeile auszuwählen |
| |
und wir können hier rüber schauen. |
| |
Lassen Sie mich das aus dem Weg räumen. Und wir können scrollen. |
| |
Und sicher genug, |
| |
wir sehen dort die blauen Lichter, |
| |
die die nicht fehlenden Daten hervorheben, und wir sehen, dass die fehlenden Daten dazu neigen, sich auszurichten. Da ist ein Punkt hier, Punkt hier, also sieht es so aus, als wären all diese fehlenden Daten in diesen beiden Spalten in derselben Zeile. |
| |
Also lass mich zurückgehen |
| |
und stoppen Sie die Freigabe. |
| |
Und wir werden jetzt einige Daten untersuchen, und ich werde dieses Fenster schließen. |
| |
Und hier sind wir wieder bei der ursprünglichen JMP-Datentabelle. |
| |
Und mal sehen, wo anfangen? Nun, wir haben hier ein paar Möglichkeiten, aber eine Sache, die wir tun können, ist, auf dieses Symbol genau hier zu klicken, und es sagt Header-Grafiken anzeigen. |
| |
Wir klicken also auf das Symbol und können hier einige Header-Grafiken sehen. Und das zeigt uns einige Histogramme der Verteilung |
| |
in der Spalte darunter. Und diese diese sind ziehbar, sodass wir sie in beide Richtungen vergrößern können. Und warum machen wir hier nicht ein bisschen Erkundung? Da wir das Y-Kappa kontrollieren wollen, |
| |
Lassen Sie uns einige dieser hohen Werte auswählen und sehen, was wir sehen können. Jetzt scrollen Sie weiter, scrollen Sie weiter, es sieht so aus |
| |
etwas verwandt mit dem, was im BlowFlow vor sich geht, dass ... |
| |
das ist hier ganz oben, und wenn wir zu T-upperExt-2 gehen, |
| |
Wir können sehen, dass es sich tendenziell in der unteren Hälfte der Verteilung befindet. Und ansonsten fällt uns nichts wirklich auf, also lasst uns genau dort klicken |
| |
und dort, um das ein wenig aufzuräumen. |
| |
Und lassen Sie uns ein bisschen mehr erklären. Gehen wir zum Graph Builder. |
| |
Also gehst du zum Diagramm ... |
| |
graph builder und dieses Fenster erscheint. |
| |
Und ich werde mir das Y-Kappa ansehen |
| |
Da gehen wir, und ich kann ... ich kann eine glattere Linie einfügen. |
| |
Und was ich sehe ist |
| |
etwas Variabilität in unserem Prozess, aber es ist ziemlich stabil, vielleicht ein leichter Aufwärtstrend hier, aber stabil, und das wird ein wenig später wichtig sein. |
| |
Aber wenn ich hier runterschaue, wo Beobachtung steht, was sehe ich? Ich sehe, es beginnt mit 1-00 und dann 01 und die Zeit läuft weiter. Aber wenn ich mir die Datentabelle hier anschaue, fängt sie mit 31 an. Also, was sie anscheinend hier gemacht haben |
| |
Auf dem Gerät war Start mit dem Datum des Monats und dann der Stunde und sie machten einfach mit diesem Format weiter, aber das ist nicht das, was wir wollen. Lassen Sie mich das schließen. Ich stoppe die Freigabe und rufe eine andere JMP-Datentabelle auf. |
| |
Okay, wir sehen uns also im Grunde dieselben Daten an, und ich habe sie ein wenig aufgeräumt und einige Änderungen vorgenommen. Und wenn wir uns das ansehen, habe ich es so arrangiert, wie ich es normalerweise mit dem Y-Kappa arrangieren möchte, das unser ist |
| |
...unser Zielwert, gefolgt von der Beobachtung. Und hier habe ich eine Stundensequenz hinzugefügt, und lassen Sie mich Ihnen zeigen, was hier passiert. |
| |
Und ich habe alle Skripte in dieser Datentabelle gespeichert, dieselben Daten, ich habe nur eine andere geöffnet, die bereinigt wurde. Und Sie bemerken, dass wir hier in allen unseren Tabellen die gleiche Anzahl von Dezimalstellen haben, wenn ich darüber scrolle. |
| |
Und lass uns wiederholen |
| |
was ich gerade vorher gemacht habe. Also gehen wir zu Graph, Graph Builder. |
| |
Setzen Sie das Y-Kappa hier und jetzt habe ich die Y-Sequenz hinzugefügt |
| |
unsere Datentabelle, und jetzt erhalten wir ein anderes Muster. Wenn ich das Original öffne, |
| |
Wir sehen, dass wir eine andere glattere Linie haben, und ich versuche, nach Konstellationen Ausschau zu halten, was ich Konstellation nenne. Hier haben wir also diese drei Datenpunkte. |
| |
Ich schließe das und öffne das zweite. |
| |
Und die drei Datenpunkte sind hier. |
| |
Lass mich das schließen. |
| |
Und beachte hier unten mit der Stundenfolge, |
| |
Wir haben die Datenpunkte in der richtigen Reihenfolge, und noch etwas, was wir mit JMP tun könnten |
| |
können wir hier hoch gehen, |
| |
schalten |
| |
Beobachtung, die wir zuvor hatten, und verschieben Sie sie jetzt hierher. |
| |
Und wir setzen unsere glattere Linie wieder ein, Sie können sehen, wir haben das gleiche Muster, aber jetzt, wenn ich die Stundenfolge nehme |
| |
und zieh es hier runter, wir haben das Beste aus beiden Welten. Sie sind in Ordnung, so wollten wir sie haben. |
| |
Und wir haben, wie Sie hier unten bemerken, die Beobachtung nach absteigender Stundenfolge geordnet, was die Standardeinstellung ist. Und ich könnte auf „Fertig“ klicken, aber im Moment werde ich das einfach minimieren. |
| |
Und wir gehen zum nächsten Schritt über. Überprüfen Sie meine Notizen, stellen Sie sicher, dass ich nichts ausgelassen habe. |
| |
Oh, und wie ich die neue Spalte dort eingefügt habe, lassen Sie mich die Freigabe hier stoppen, und anstatt den gesamten Prozess zu durchlaufen, lassen Sie mich zurück zu PowerPoint wechseln. |
| |
Und ich habe der Spalte einen neuen Namen gegeben, Hour Sequence, und als Datentyp habe ich numerisch gewählt, weil es das ist, was es ist. Für |
| |
Modellierungstyp, ich habe mich für kontinuierlich entschieden, da es sich um kontinuierliche Daten handelt, obwohl es sich um regelmäßige stündliche Intervalle handelt. Und ich habe hier das Format gewählt, weil es für den Menschen einfach zu lesen ist. |
| |
Und um Daten für die Spalte zu initialisieren, habe ich Sequenzdaten ausgewählt und sie für 1 bis 301 ausgeführt, da dies unsere letzte Zeile ist. Und mal sehen, jeden Wert einmal wiederholen, Anzahl der hinzuzufügenden Spalten, nur eine. |
| |
Und für die Spalteneigenschaften habe ich die Zeithäufigkeit aus der Dropdown-Liste ausgewählt und auch stündlich ausgewählt. So kam ich zu dieser Kolumne. |
| |
Also lass mich die Veröffentlichung davon beenden |
| |
und minimieren Sie es und ich werde die JMP-Datentabelle erneut aufrufen. |
| |
Und hier sind wir wieder in der Datentabelle. Jetzt beginnen wir mit dem lustigen Teil und gehen zur Analyse über. |
| |
Lass uns gehen |
| |
analysieren. |
| |
Und ich habe die falsche Datentabelle. Lassen Sie mich das andere öffnen. Auf geht's. |
| |
Gehen Sie zu analysieren, |
| |
multivariate Methoden |
| |
multivariat. |
| |
Und wir sehen diesen Bildschirm. Nun, wir wollen uns Y-Kappa ansehen, also fügen Sie das Y dort ein. |
| |
Wir wollen keine Gewichte und Frequenzen oder by und let's |
| |
Klicken Sie auf Ziehen. |
| |
Legen Sie alle dort hinein. Klicken Sie auf OK, und hier ist das Ergebnis. Und um damit zu beginnen ... lassen Sie mich das schließen ... |
| |
und uns wird die Scatterplot-Matrix präsentiert. Und hier können wir nach einigen Mustern in den Daten suchen. Wir sehen nicht viele davon, aber wenn wir uns Y-Kappa hier drüben in der Spalte ganz links ansehen, |
| |
Fang an, dich umzusehen, es sieht so aus, als hätten wir hier eine Art Muster mit ... |
| |
mit was auch immer diese Spalte ist. Scrollen Sie ein wenig nach unten und sieht so aus |
| |
einer der Schnaps fließt, etc., etc. Wir können das also tun, um eine ungefähre Vorstellung zu bekommen. Lassen Sie mich das schließen. |
| |
Und wir können uns hier die Korrelationen ansehen, und die blauen sind positive Korrelationen und die roten sind negativ, und keine davon ist wirklich hoch. |
| |
Und in gewisser Weise ist das gut und in gewisser Weise ist das schlecht, aber wir werden im Moment nicht viel darüber sprechen. Aber das schauen wir uns einfach an. In einigen Situationen erhalten wir daraus mehr Informationen als aus anderen Informationen, also lassen Sie mich das schließen. |
| |
Als nächstes gehen wir zum Modell-Screening, also gehen wir zur Analyse, |
| |
Screening, |
| |
Prädiktoren-Screening. Und uns wird dieses Fenster präsentiert und noch einmal, |
| |
Y-Kappa ist unsere Y-Antwort. Und hier wird uns das nächste Fenster präsentiert. Fürs Erste ignorieren wir also die Beobachtungen, weil wir hier eine Stundensequenz haben, die viel einfacher zu lesen ist, also fügen wir sie hier ein und klicken auf OK. |
| |
Und das bekommen wir. |
| |
Wir haben hier also unsere Prädiktoren, und natürlich werden diejenigen mit den höheren Werten und den größeren Balken wahrscheinlich die wichtigsten Prädiktoren sein, die für uns eingestuft werden. |
| |
Und wir sehen hier eine Reihe von Variablen. Jetzt kommen wir zu einem Entscheidungspunkt. Nun, diese ersten beiden sind sie offensichtlich |
| |
etwas, das wir uns ansehen wollen, wahrscheinlich auch das dritte und das vierte. Nun, der Rest davon ist etwas unbedeutend, aber sie sind alle ungefähr gleich, also machen wir das. |
| |
Wir klicken auf Ziehen, oh, und bevor ich zu diesen beiden Spalten übergehe, Beitrag ist ein Beitrag zum Modell in dem Teil, das ist die Spalte, die ich normalerweise ansehe, ist der prozentuale Anteil davon |
| |
Prädiktor hier für das Modell vorhergesagt, also wenn Sie all diese zusammenzählen, würde es 100 % ergeben. Und wir haben einen... wir haben hier einen Link, da steht Kopie ausgewählt. |
| |
Also lass uns das tun. |
| |
Und ich werde dieses Fenster minimieren und hierher zurück zu unserem Analysefenster gehen. |
| |
Und mal sehen. Wie wäre es, wenn ich Modelle anpasse? Lineare Regressionsmodelle anpassen. |
| |
Und ich klicke darauf und stelle fest, dass die ausgewählten Spalten bereits für uns hervorgehoben sind. |
| |
Also fügen wir sie hinzu und natürlich wollen wir wieder das Y-Kappa. |
| |
Und wir werden das auswählen, und als ich das tat, öffnete es sich |
| |
eine Erweiterung hier unseres Fensters und ein paar mehr Persönlichkeiten ... ein paar mehr Auswahlmöglichkeiten hier mit den Dropdowns. Und die Persönlichkeit des ersten, also lassen Sie mich darauf klicken, und es gibt uns hier eine Reihe von Auswahlmöglichkeiten. Aber fürs Erste bleiben wir einfach bei den standardmäßigen kleinsten Quadraten. Und dann zur Betonung, |
| |
Wir haben drei Möglichkeiten. Und was der Schwerpunkt ist, wird uns im ersten Berichtsfenster offenbart. Im Moment wähle ich einfach aus |
| |
minimaler Bericht. Und mal sehen, Grad, 2, okay, also wird es sich um quadrierte Terme handeln. |
| |
Mal sehen ... und ich schätze, wir können loslegen, also klicke ich auf Ausführen. |
| |
Und das bekomme ich. Und es sieht so aus, als ob dieses BF-CM-Verhältnis von primärer Bedeutung ist, |
| |
gefolgt von einigen |
| |
andere hier sind weniger wichtig, aber sie sind ... aber sie sind signifikant, und der Grund, warum sie signifikant sind, ist, Nummer eins, der p-Wert, übrigens, das ist ein 0,05-Level und das Blau ... |
| |
Entschuldigen Sie, das 0,01-Niveau und die blaue Linie hier, die das 0,01-Niveau für die Signifikanz ist. Und der Grund ... der Grund wir |
| |
Wir machen es so mit dem Logwert ... oh, übrigens, ich sollte erwähnen, dass der Logwert 10 mal minus dem Logwert ist und das ist Logbasis 10. Wenn wir also die blaue Linie gleich dem Wert 2 haben, ist das Protokoll ... |
| |
log des p-Werts von 0,02 ... oder entschuldigen Sie, 0,01 wäre eine 2, deshalb ist die Zeile dort drin. |
| |
Hier brauchen Sie es nicht wirklich, aber wenn Sie eine Analyse als eine der Variablen durchführen, ist es definitiv nützlich. Und wir schauen hier unten auf Zusammenfassungen |
| |
Finden Sie ein R zum Quadrat von 0,5, und das ist ... das ist ungefähr das Beste, was wir aus diesem Fenster genau dort herausholen können. |
| |
Und wir kommen hierher, um zu schätzen, und wir können sehen, dass die Schätzungen Koeffizienten für unsere multiplen linearen Regressionen sind. |
| |
Wir sehen also, dass diese beiden möglicherweise nicht benötigt werden, also werden wir im Interesse der Sparsamkeit ... |
| |
Wir wählen diese aus, kommen her und entfernen sie. Und jetzt haben wir zwei Variablen weniger. Wir könnten wahrscheinlich das Chip-Level entfernen, aber im Moment lassen wir es einfach dort, weil unser R-Quadrat ein wenig nach unten fällt. |
| |
Und alles andere blieb ziemlich gleich. Das ist also unser Modell hier. Wir können hier runterkommen und ein paar andere Fenster öffnen. |
| |
Und wir sehen T-Verhältnisse der einzelnen Terme, einige Wirkungstests, und damit belassen wir es jetzt. Lassen Sie mich also dieses Fenster minimieren, und wir müssen noch eine weitere Analyse durchführen, und das sind Zeitreihen. Also kommen wir hier herauf, um erneut zu analysieren. |
| |
Und wir kommen hier runter zu spezialisierter Modellierung, und wir gehen zu Zeitreihen. Klicken Sie darauf und alles ist noch ausgewählt. |
| |
Das wählen wir aus, |
| |
wir setzen Y dort ein. |
| |
Es wird dasselbe tun. |
| |
Einer zu viel, warte. |
| |
Setzen Sie unsere Zielliste hier und wir haben diesen Knopf hier, X-mal, wir werden die Stundenfolge wieder einfügen, weil es einfacher zu lesen ist. |
| |
Leg das da rein. |
| |
Klicken Sie auf den Lauf. |
| |
Und fürs Erste ignorieren wir all diese Dinge, und wir kommen hierher und schauen uns unsere Zeitreihendiagnose an. Scrollen Sie nun noch ein wenig weiter nach unten. Und die blaue Linie hier ist die |
| |
P-Wert, und dieser liegt auf einem Niveau von 0,05, und dies bezieht sich auf unterschiedliche Autokorrelationen und die partiellen Verzögerungszeiten. |
| |
Ich könnte also die ganzen 45 Minuten damit verbringen, darüber zu sprechen, aber wir haben nicht die ganze Zeit, also werde ich nur eine kurze Zusammenfassung geben. Was wir tun wollen, ist, all diese Verzögerungszeiten einzubringen |
| |
innerhalb dieser blauen Linie. Und es sieht so aus, als müssten wir für dieses Mal auf etwa fünf oder sechs, vielleicht sogar sieben, irgendwo in der Nähe hochgehen. |
| |
Und treffen Sie diesen Punkt um drei oder vier oder fünf mit der teilweisen Verzögerungszeit. |
| |
So |
| |
Was wir tun, ist hier herauf zum roten Dreieck zu kommen, |
| |
und wir wollen ein ARIMA-Modell machen. Und wir bekommen dieses Fenster und ARIMA steht für Auto Regressive Integrated Moving Average. Jetzt wollen wir hier nicht differenzieren |
| |
weil wir schon einige Differenzierungen vorgenommen haben. Diese Zahlen, die an das Ende der Spalten angehängt wurden, waren die Verzögerungszeiten, sodass alle Daten aufgereiht waren. Wir wollen also nur mit der Zahl hier raten. |
| |
Lassen Sie mich das zu einer 4 machen, also 4 Perioden verzögern. |
| |
Und wir machen dasselbe hier unten für den gleitenden Durchschnitt. |
| |
Und wir könnten verschiedene Werte für diese wählen und mal sehen, was der Schnittpunkt und die Beschränkung passen. |
| |
Wir treffen die Schätzung und kommen wieder hierher. |
| |
Und das bekommen wir. Uns geht es etwas besser als vorher. |
| |
Lass uns hier runter kommen. |
| |
Und wir werden dies erneut auswählen. Aus Zeitgründen setze ich sechs Perioden ein. |
| |
Überprüfen Sie alles. Drücken Sie die Schätzung erneut. |
| |
Und ich scrolle nach unten, und jetzt sieht das ein bisschen besser aus. Wir möchten wahrscheinlich, dass einer hier innerhalb von vier oder fünf und sechs Verzögerungsperioden liegt, also gibt es noch eine Sache zu überprüfen. |
| |
Wenn wir uns die Grafiken anschauen... |
| |
Und wir könnten die Skripte in der Tabelle speichern. Nick, können wir die Aufnahme kurz anhalten. |
| |
Okay, das habe ich ein paar Mal gemacht. |
| |
Und hier habe ich eine Zusammenfassung hier im Modellvergleich. |
| |
Wir haben also das erste Modell des ARMA. Wieder haben wir den Unterschied nicht gemacht, also heißt es ARMA und nicht ARIMA. Und hier ist fünf Punkt, und lassen Sie mich das erweitern |
| |
nur ein bisschen mehr, und das ist der Tisch. Ich habe ein bisschen am Tisch gearbeitet, ich habe einige Kolumnen herausgenommen ... herausgenommen, die ich aus Zeitgründen nicht diskutieren wollte. Und |
| |
Was wir tun können, ist, uns die Ergebnisse anzusehen. Es zeigt uns also, dass AIC und niedrigerer AIC besser sind, und es sieht so aus, als ob das beste Modell hier das ist |
| |
Zuerst haben wir die (5,5) gemacht. Wir haben |
| |
1268 und dann geht es hoch bis 1270, 1271, 1271, und dann haben wir das R im Quadrat und hier ist natürlich größer besser, und es sieht so aus, als wäre die Verzögerung (6,6) dort die beste. Sie haben ein etwas größeres R, aber sicherlich nicht signifikant und |
| |
Hier sehen wir uns den MAPE an, das ist der mittlere durchschnittliche prozentuale Fehler, den wir natürlich minimieren wollen. Und sieht aus wie das mittlere Modell dort, das zweite mit den sechs Periodenbeinen ist dort das beste und das bekommt eine 7,55. |
| |
Und dann haben wir hier unten noch ein paar Daten. Wir haben die Schätzungen und Sie können sich dort unten verschiedene und verschiedene Grafiken ansehen. Und all diese wurden in der Datentabelle gespeichert. Lassen Sie mich das ein wenig aufräumen. |
| |
Was wir hier also zusammengefasst haben, ist der tägliche Betrieb einer sehr komplizierten Anlage. Wir konnten es erklären und verstehen. |
| |
Wir begannen mit der visuellen Exploration der Daten und gingen dann weiter |
| |
einige Recherchen, um herauszufinden, was wir über den Prozess herausfinden mussten, damit wir wussten, was mit unserer Analyse los war, und wir konnten alles in unserer Datentabelle speichern. |
| |
Und eine schnelle Sache war, dass wir unsere Daten durchforstet haben, wir in der Lage waren, für unsere Analyse leicht von einer Plattform zur anderen zu wechseln, und das schließt die Präsentation ab. |
