Lautsprecher
|
Transkript
|
| Stan Siranovich |
Okay, wir beginnen also mit der Beobachtung, wir haben die Beobachtung in der ersten Spalte. Und wir sehen sofort, dass wir ein etwas seltsames Format haben. |
| |
Damit beschäftigen wir uns später. Die nächste Spalte ist Y-Kappa, und das ist die sogenannte Zielvariable, die wir vorhersagen möchten. Das ist der gemessene Wert und wir möchten ihn in einem engen Bereich halten. |
| |
Und in ein oder zwei Minuten werde ich erklären, warum. Und während wir durch die Daten scrollen, sehen wir hier ein paar Dinge. Wir haben einige seltsame Etiketten. Wir haben das T-upperExt, was auch immer das ist. Wir haben ein 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 einiger Untersuchung stellen wir fest, dass dies die Verzögerungszeit ist. |
| |
Und dazu komme ich, wenn ich den Prozess erkläre. Wir haben also Dinge wie Hackschnitzelfeuchtigkeit, Dampfwärme und sehen auch, dass einige Werte fehlen. Da...hier und da gibt es ein paar, aber hauptsächlich sieht es so aus, als wären sie auf die AAWhite beschränkt, |
| |
Entschuldigen Sie, ganz zum Schluss noch die Sulfidität. Also nehmen wir das zur Kenntnis. |
| |
Jetzt |
| |
Da wir mit so etwas nicht vertraut sind, wäre es wahrscheinlich das Klügste für uns, etwas zu recherchieren und genau zu sehen, was wir da sehen. Und wir würden es auch gerne wissen (lassen Sie mich die PowerPoint hier hochladen) |
| |
genau |
| |
In Ordnung. |
| |
Lass uns anfangen. Nun, der Kamyr-Kocher ist ein kontinuierlicher vierstufiger Prozess für den Zellstoff- und Papierhersteller. |
| |
Nun diese |
| |
Prozess ... diese Prozesse sind ziemlich umfangreich und man kann es sich wie einen riesigen Schnellkochtopf vorstellen. Wir prüfen etwas Hitze, Dampf und Druck, |
| |
Entschuldigung, in den Reaktor. Und diese können einen Durchmesser von 18 Fuß und eine Höhe von bis zu 200 Fuß haben. Und wir wollten das Lignin abtrennen und gleichzeitig die Kappa-Zahl kontrollieren. |
| |
Und das Ausgangsmaterial ist etwas ungewöhnlich. Ich komme aus der chemischen Industrie und bin es gewohnt, mit ihnen zu arbeiten |
| |
ein flüssiger Rohstoff, aber hier handelt es sich bei unserem Rohstoff um Holzspäne oder Sägemehl aus einem |
| |
Sägewerk was auch immer. Und wir haben keine Informationen darüber, ob diese Rohstoffe zusammen entsorgt werden, ob sie übereinander gelagert werden, ob sie es sind |
| |
Kampagne, aber wir wissen sofort, dass es hier einige Schwankungen gibt. Unabhängig von der physikalischen Form besteht das Ausgangsmaterial zu 50 % aus Wasser, zu 25 % aus Zellstoff und zu 25 % aus Lignin. Und natürlich ist es das Lignin, das wir dort herauslösen wollen. |
| |
Nun sieht der Vorgang so aus. Es ist komplex und innerhalb dieser einzelnen Einheit gibt es vier separate Einheitenoperationen. Wir haben die Oberseite, wo die Späne hineingeschüttet werden und die Reaktionsmischung, die ... die als Lauge bezeichnet wird. |
| |
Es enthält etwas Ätzmittel, etwas Alkalität, aber man kann es sich wie eine Seifenlösung vorstellen. Dadurch wird das Lignin vom Holz getrennt. |
| |
Und wir haben auch die Flüssigkeitsströme, sowohl Abwässer als auch Flüssigkeiten, und es gibt drei davon. |
| |
Und es kann entweder gleichzeitig oder gegenläufig sein, daher 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 weitere Variable, nämlich dass die Flüssigkeiten rezirkuliert und regeneriert werden. |
| |
Beginnen wir also mit der Datenerkundung. |
| |
Und so sieht die JMP-Datentabelle aus, direkt nachdem ich sie in JMP importiert habe. Beginnen wir mit der Beobachtung, Y-Kappa, |
| |
was wir messen wollen und dann die Chiprate. Hier sind einige andere Verhältnisse. Und wir können sehen, dass einige Daten fehlen. Die meisten davon scheinen sich auf diese Spalte dort und diese Spalte hier, die Sulfidität, zu beschränken. |
| |
Werfen wir also einen Blick darauf, um zu sehen, ob wir uns darüber Sorgen machen sollten. Und der beste Weg, dies zu tun, ist meiner Meinung nach, hier zu den Tabellen zu gehen und sich das fehlende Datenmuster anzusehen. |
| |
Und ich klicke auf „Ziehen“ und wähle alle aus. Und ich werde diese hinzufügen. |
| |
Und wir bekommen diesen Tisch. |
| |
Jetzt sollten Sie die fehlende Datentabelle sehen |
| |
direkt oben auf meinem JMP-Tisch. |
| |
Und lassen Sie mich die erste Spalte etwas erweitern. Schauen wir uns nun die erste Spalte hier an, in der „Zählung“ steht |
| |
und die Anzahl der fehlenden Spalten beträgt Null, und wir sehen überall 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 in zwei Spalten einige Daten fehlen. Wenn Sie die 1 und die 1 sehen, fehlen die Daten. Und wir haben hier ein weiteres Muster mit 19, aber der Rest ist ziemlich gefüllt ... |
| |
ziemlich voll besiedelt, und wenn Sie sich jemals mit Produktionsdaten oder Qualitätsüberwachungsdaten befasst haben, werden Sie feststellen, dass dies nicht ungewöhnlich ist. Tatsächlich ist das so |
| |
ziemlich vollständig für diese Art von Daten. Schauen wir uns das also etwas genauer an. Wir haben 131, von denen eine fehlt, und wir wissen, dass wir diese beiden Spalten haben. |
| |
Mal sehen, ob sie zusammenpassen. Das ist es. Es handelt sich um denselben Datensatz mit denselben zwei Spalten mit fehlenden Daten. Und was wir tun können, ist die erste Zeile auszuwählen |
| |
und wir können hier hinüberschauen. |
| |
Lassen Sie mich das aus dem Weg räumen. Und wir können scrollen. |
| |
Und tatsächlich, |
| |
wir sehen dort die blauen Highlights, |
| |
die die nicht fehlenden Daten hervorheben, und wir sehen, dass die fehlenden Daten tendenziell ausgerichtet sind. Hier ist ein Punkt, hier ein Punkt, es sieht also so aus, als ob sich alle fehlenden Daten in diesen beiden Spalten in derselben Zeile befinden. |
| |
Also lass mich zurückgehen |
| |
und stoppen Sie die Freigabe. |
| |
Und wir werden jetzt eine Datenerkundung durchführen, und ich werde dieses Fenster schließen. |
| |
Und wir sind wieder bei der ursprünglichen JMP-Datentabelle. |
| |
Und mal sehen, wo soll ich anfangen? Nun, wir haben hier ein paar Möglichkeiten, aber eine Sache, die wir tun können, ist, hier auf dieses Symbol zu klicken, und es sagt „Kopfzeilendiagramme anzeigen“. |
| |
Also klicken wir auf das Symbol und wir können hier einige Header-Grafiken sehen. Und das zeigt uns einige Histogramme der Verteilung |
| |
in der Spalte darunter. Und diese sind ziehbar, sodass wir sie in beide Richtungen vergrößern können. Und warum machen wir hier nicht eine kleine Erkundungstour? 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 |
| |
hängt etwas damit zusammen, was im BlowFlow vor sich geht, der ... |
| |
das liegt hier im oberen Bereich, und wenn wir zu T-upperExt-2 gehen, |
| |
Wir können sehen, dass es tendenziell in der unteren Hälfte der Verteilung liegt. Und ansonsten sticht uns nichts wirklich ins Auge, also lasst uns genau dort klicken |
| |
Und da, um das ein wenig aufzuräumen. |
| |
Und lassen Sie uns noch etwas mehr erklären. Gehen wir zum Graph Builder. |
| |
Also gehst du zur Grafik... |
| |
Graph Builder und dieses Fenster erscheint. |
| |
Und ich werde mir den Y-Kappa ansehen |
| |
Los geht's, und ich kann ... ich kann dort eine glattere Linie einfügen. |
| |
Und was ich sehe, ist |
| |
Es gibt einige Schwankungen in unserem Prozess, aber er ist ziemlich stabil, hier vielleicht ein leichter Aufwärtstrend, aber stabil, und das wird etwas später wichtig sein. |
| |
Aber wenn ich hier unten schaue, wo Beobachtung steht, was sehe ich? Ich sehe, dass es mit 1-00 und dann 01 beginnt und die Zeit immer höher wird. Aber wenn ich mir die Datentabelle hier ansehe, beginnt sie mit 31. Also, was sie hier offenbar getan haben |
| |
Auf dem Gerät begann man mit dem Datum des Monats und dann mit 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 weitere JMP-Datentabelle auf. |
| |
Okay, wir sehen uns im Grunde die gleichen Daten an, und ich habe sie ein wenig bereinigt 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 uns gehört |
| |
...unser Zielwert, gefolgt von der Beobachtung. Und hier habe ich eine einstündige Sequenz hinzugefügt und möchte 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 in allen unseren Tabellen hier die gleiche Anzahl an Dezimalstellen haben, wenn ich darüber scrolle. |
| |
Und lasst uns wiederholen |
| |
was ich gerade vorher gemacht habe. Also gehen wir zu Graph, Graph Builder. |
| |
Setzen Sie das Y-Kappa hier ein 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 einigen Konstellationen zu suchen, die ich Konstellation nenne. Hier haben wir also diese drei Datenpunkte. |
| |
Ich schließe dieses und öffne das zweite. |
| |
Und die drei Datenpunkte sind hier. |
| |
Lass mich das schließen. |
| |
Und beachten Sie hier unten mit der Stundenfolge, |
| |
Wir haben die Datenpunkte in der richtigen Reihenfolge, und noch etwas könnten wir mit JMP tun |
| |
Können wir hier hochgehen? |
| |
schalten |
| |
Beobachtung, die wir zuvor hatten, und verschieben Sie diese nun hierher. |
| |
Und wir werden unsere glattere Linie wieder einfügen, Sie sehen, wir haben das gleiche Muster, aber jetzt, wenn ich die Stundenfolge nehme |
| |
Und ziehen Sie es hierher, wir haben das Beste aus beiden Welten. Sie sind in Ordnung, so wie wir sie wollten. |
| |
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 und stellen Sie sicher, dass ich nichts ausgelassen habe. |
| |
Oh, und wie ich die neue Spalte dort eingefügt habe, möchte ich die Freigabe hier beenden und anstatt den gesamten Prozess durchzugehen, zurück zu PowerPoint wechseln. |
| |
Und ich habe der Spalte einen neuen Namen gegeben, „Stundenfolge“, und als Datentyp habe ich „Numerisch“ gewählt, weil es das ist, was es ist. Für |
| |
Als Modellierungstyp habe ich „Kontinuierlich“ gewählt, da es sich um kontinuierliche Daten handelt, auch wenn diese in regelmäßigen stündlichen Abständen erfasst werden. Und ich habe mich hier für das Format entschieden, weil es für den Menschen leicht zu lesen ist. |
| |
Und um die Daten für die Spalte zu initialisieren, habe ich Sequenzdaten ausgewählt und sie von 1 bis 301 ausgeführt, da dies unsere letzte Zeile ist. Und mal sehen, wiederholen Sie jeden Wert einmal, die Anzahl der hinzuzufügenden Spalten beträgt nur eine. |
| |
Und für die Spalteneigenschaften habe ich im Dropdown-Menü die Häufigkeit „Zeit“ und auch „Stündlich“ ausgewählt. So kam ich also zu dieser Kolumne. |
| |
Lassen Sie mich also damit aufhören, dies zu teilen |
| |
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 unterhaltsamen Teil und gehen zur Analyse über. |
| |
Lass uns gehen |
| |
analysieren. |
| |
Und ich habe die falsche Datentabelle erhalten. Lassen Sie mich das andere öffnen. Auf geht's. |
| |
Gehen Sie zur Analyse, |
| |
Multivariate Methoden |
| |
multivariat. |
| |
Und uns wird dieser Bildschirm präsentiert. Nun, wir wollen uns Y-Kappa ansehen, also fügen Sie dort das Y ein. |
| |
Wir wollen keine Gewichte und Frequenzen oder von und lasst uns |
| |
Klicken Sie auf Ziehen. |
| |
Legen Sie das alles da rein. Klicken Sie auf OK, und hier ist das Ergebnis. Und um damit zu beginnen... lassen Sie mich das abschließen... |
| |
und uns wird die Streudiagrammmatrix angezeigt. Und hier können wir nach einigen Mustern in den Daten suchen. Wir bekommen nicht viele davon zu sehen, aber wenn wir uns Y-Kappa hier in der Spalte ganz links ansehen, |
| |
Fangen Sie an, darüber zu schauen, 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 es sieht so aus |
| |
einer der Alkoholströme usw. usw. So können wir das 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 das ist in mancher Hinsicht gut und in mancher Hinsicht auch schlecht, aber darüber werden wir im Moment nicht viel reden. Aber wir schauen uns das einfach an. In manchen Situationen erhalten wir dadurch mehr Informationen als aus anderen Informationen, also lassen Sie mich das abschließen. |
| |
Als nächstes gehen wir zum Modell-Screening, also gehen wir zur Analyse über, |
| |
Screening, |
| |
Prädiktor-Screening. Und uns wird dieses Fenster präsentiert und noch einmal: |
| |
Y-Kappa ist unsere Y-Antwort. Und hier wird uns das nächste Fenster präsentiert. Daher ignorieren wir vorerst die Beobachtungen, da wir hier eine Stundenfolge haben und diese 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 für uns wahrscheinlich die wichtigsten Prädiktoren sein. |
| |
Und wir sehen hier eine Reihe von Variablen. Jetzt kommen wir zu einem Entscheidungspunkt. Nun, die ersten beiden sind es 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 lasst uns das machen. |
| |
Wir klicken auf „Ziehen“, ach ja, und bevor ich zu diesen beiden Spalten übergehe, ist „Beitrag“ ein Beitrag zum Modell in dem Teil, der Spalte, die ich mir normalerweise anschaue, ist der prozentuale Anteil davon |
| |
Hier wird der Prädiktor dem Modell vorhergesagt. Wenn man also alle diese Werte addiert, ergibt das 100 %. Und wir haben einen... wir haben hier einen Link, da steht Kopie ausgewählt. |
| |
Also lasst uns das tun. |
| |
Und ich werde dieses Fenster minimieren und hierher zurück zu unserem Analysefenster gehen. |
| |
Und mal sehen. Wie wäre es, wenn ich Models anpasse? Passen Sie lineare Regressionsmodelle an. |
| |
Und ich klicke darauf und bemerke, dass die ausgewählten Spalten bereits für uns hervorgehoben sind. |
| |
Fügen wir sie also hinzu und natürlich wollen wir wieder das Y-Kappa. |
| |
Und wir werden das auswählen, und als ich das tat, öffnete es sich |
| |
Hier eine Erweiterung unseres Fensters und ein paar weitere Persönlichkeiten... ein paar weitere Auswahlmöglichkeiten hier mit den Dropdowns. Und die Persönlichkeit des ersten, also lassen Sie mich darauf klicken und es gibt uns hier eine Reihe von Möglichkeiten. Aber bleiben wir zunächst einmal bei der Standardmethode der kleinsten Quadrate. Und dann zur Betonung: |
| |
Wir haben drei Möglichkeiten. Und worauf der Schwerpunkt liegt, verrät uns das erste Berichtsfenster. Im Moment wähle ich einfach aus |
| |
minimaler Bericht. Und mal sehen, Grad, 2, okay, es geht also um quadrierte Terme. |
| |
Mal sehen ... und ich denke, wir sind bereit zu gehen, also klicke ich auf „Ausführen“. |
| |
Und das ist es, was ich bekomme. Und es sieht so aus, als ob dieses BF-CM-Verhältnis von größter Bedeutung ist. |
| |
gefolgt von einigen |
| |
Andere hier sind von geringerer Bedeutung, aber sie sind ... aber sie sind bedeutsam, und der Grund dafür, dass sie bedeutsam sind, ist Nummer eins, der p-Wert, das ist übrigens ein Wert von 0,05 und der blaue ... |
| |
Entschuldigung, der Wert von .01 und die blaue Linie hier, die dem Wert .01 für die Signifikanz entspricht. Und der Grund ... der Grund, warum wir |
| |
Wir machen es so mit dem Logwert ... Ach, übrigens, ich sollte erwähnen, dass der Logwert 10 mal minus dem Logwert ist und das ist die Logbasis 10. Wenn wir also haben, dass die blaue Linie dem Wert 2 entspricht, ist der Logarithmus ... |
| |
log des p-Werts von .02 ... oder entschuldigen Sie, .01 wäre eine 2, deshalb steht die Zeile dort. |
| |
Hier brauchen Sie es nicht wirklich, aber wenn Sie eine Analyse als eine der Variablen durchführen, ist es auf jeden Fall nützlich. Und wir schauen hier unten auf Zusammenfassungen |
| |
Finden Sie zur Anpassung ein R-Quadrat von 0,5, und das ist... das ist ungefähr das Meiste, was wir aus diesem Fenster hier 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, und deshalb werden wir im Interesse der Sparsamkeit ... |
| |
Wir wählen diese aus, kommen hierher und entfernen sie. Und jetzt haben wir zwei Variablen weniger. Wir könnten das Chip-Level wahrscheinlich entfernen, aber vorerst belassen wir es einfach dabei, da unser R-Quadrat etwas abfällt. |
| |
Und alles andere blieb im Großen und Ganzen beim Alten. Das ist also unser Modell hier. Wir können hierher kommen 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 dieses Fenster minimieren, und wir müssen noch eine weitere Analyse durchführen, nämlich Zeitreihen. Also kommen wir hierher, um es noch einmal zu analysieren. |
| |
Und wir kommen hier zur spezialisierten Modellierung und gehen zu Zeitreihen. Klicken Sie darauf und alles ist noch ausgewählt. |
| |
Wir werden das auswählen, |
| |
wir werden dort Y einfügen. |
| |
Es wird das Gleiche bewirken. |
| |
Einer zu viel, warte. |
| |
Platzieren Sie unsere Zielliste hier und wir haben diese Schaltfläche hier, X-Zeit, wir werden die Stundenfolge wieder einfügen, weil sie einfacher zu lesen ist. |
| |
Legen Sie das da rein. |
| |
Klicken Sie auf den Lauf. |
| |
Und im Moment ignorieren wir all diese Dinge und kommen hierher und schauen uns unsere Zeitreihendiagnose an. Scrollen Sie nun noch ein wenig nach unten. Und die blaue Linie hier ist die |
| |
Der P-Wert liegt auf einem Niveau von 0,05 und berücksichtigt unterschiedliche Autokorrelationen und die partiellen Verzögerungszeiten. |
| |
Ich könnte also die ganzen 45 Minuten damit verbringen, darüber zu reden, aber wir haben nicht so viel Zeit, also gebe ich nur eine kurze Zusammenfassung. Was wir tun wollen, ist, all diese Verzögerungszeiten zu beseitigen |
| |
innerhalb dieser blauen Linie. Und es sieht so aus, als müssten wir in diesem Fall etwa fünf oder sechs, vielleicht sogar sieben erreichen, irgendwo in der Nähe. |
| |
Und erreichen Sie diesen Punkt mit der teilweisen Verzögerungszeit um drei, vier oder fünf. |
| |
Also |
| |
Wir kommen hierher zum roten Dreieck, |
| |
und wir wollen ein ARIMA-Modell erstellen. Und wir bekommen dieses Fenster und ARIMA steht für Auto Regressive Integrated Moving Average. Nun wollen wir hier keine Differenzierung vornehmen |
| |
weil wir bereits einige Unterschiede vorgenommen haben. Die Zahlen, die am Ende der Spalten angehängt wurden, waren die Verzögerungszeiten, sodass alle Daten in einer Reihe standen. Was wir also tun wollen, ist, die Zahl hier einfach zu erraten. |
| |
Lassen Sie mich daraus eine 4 machen, also eine Verzögerung von 4 Perioden. |
| |
Und das Gleiche machen wir hier unten für den gleitenden Durchschnitt. |
| |
Und wir könnten dafür unterschiedliche Werte wählen und mal sehen, was der Achsenabschnitt und die Einschränkung passen. |
| |
Wir klicken auf „Schätzung“ und kommen wieder hierher. |
| |
Und das bekommen wir. Uns geht es etwas besser als vorher. |
| |
Lass uns hier runterkommen. |
| |
Und das werden wir noch einmal auswählen. Aus Zeitgründen werde ich sechs Perioden einplanen. |
| |
Überprüfen Sie alles. Klicken Sie erneut auf den Kostenvoranschlag. |
| |
Und ich scrolle nach unten, und jetzt sieht das ein bisschen besser aus. Wir wollen hier wahrscheinlich, dass einer innerhalb von vier oder fünf und sechs Verzögerungsperioden liegt, also gibt es noch eine Sache zu überprüfen. |
| |
Wenn wir uns die Grafiken ansehen... |
| |
Und wir könnten die Skripte in der Tabelle speichern. Nick, können wir die Aufnahme kurz unterbrechen? |
| |
Okay, das habe ich ein paar Mal gemacht. |
| |
Und hier habe ich eine Zusammenfassung hier im Modellvergleich. |
| |
Wir haben also das erste Modell der ARMA. Auch hier haben wir den Unterschied nicht gemacht, deshalb heißt er ARMA und nicht ARIMA. Und hier sind fünf Punkte, und lassen Sie mich das näher erläutern |
| |
Nur noch ein bisschen, und das ist die Tabelle. Ich habe ein wenig an der Tabelle gearbeitet, ich habe einige Spalten herausgenommen, die ich aus Zeitgründen nicht besprechen wollte. Und |
| |
Was wir tun können, ist, uns die Ergebnisse anzusehen. Es zeigt uns also, dass AIC und ein niedrigerer AIC besser sind, und es sieht so aus, als ob das beste Modell hier das ist |
| |
Zuerst haben wir (5,5) gemacht. Wir haben |
| |
1268 und dann steigt es auf 1270, 1271, 1271, und dann haben wir das R-Quadrat und hier ist natürlich größer, desto besser, und es sieht so aus, als wäre die (6,6)-Verzögerung dort die beste gewesen. Sie haben ein etwas größeres R, aber sicherlich nicht signifikant und |
| |
Hier betrachten wir den MAPE, also den mittleren durchschnittlichen prozentualen Fehler, den wir natürlich minimieren wollen. Und es sieht so aus, als ob das mittlere Modell dort, das zweite Modell mit den sechs Periodenabschnitten, das beste dort ist und eine 7,55 erhält. |
| |
Und dann haben wir hier unten noch ein paar weitere Daten. Wir haben die Schätzungen und Sie können sich dort unten verschiedene Grafiken ansehen. Und all dies wurde in der Datentabelle gespeichert. Lassen Sie mich das ein wenig klären. |
| |
Zusammenfassend haben wir hier also den täglichen Betrieb einer sehr komplizierten Anlage. Wir konnten es erklären und verstehen. |
| |
Wir begannen mit der visuellen Erkundung der Daten und machten dann weiter |
| |
Wir haben einige Recherchen durchgeführt, 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 kurze Sache war, dass wir durch unsere Daten erforscht haben, dass wir für unsere Analyse problemlos von einer Plattform zur anderen wechseln konnten, und damit ist die Präsentation abgeschlossen. |
