JMP® 16 時系列プラットフォームのアップデート (2021-EU-45MP-745)Peng Liu、SAS、JMP 主席研究統計開発者
SAS、JMP 主席システム エンジニア、Jian Cao 氏
この講演では、2 つの時系列関連プラットフォームの主な更新について包括的に説明します。具体的には、予測パフォーマンス ベースのモデル選択方法、最近追加された状態空間平滑化モデルを調査するための拡張機能、および Box-Cox 変換された時系列を使用した分析機能など、更新内容が含まれています。新機能の興味深い使用例を特定できるように、開発努力の動機について説明します。これらの新機能の使用方法の多くの可能性のいくつかを示すために、いくつかの例を紹介します。JMP 16 は、時系列プラットフォームの大幅なアップグレードです。新機能を搭載した JMP は、時系列分析における多くの興味深い新しい発見への扉を開きます。
自動生成されたトランスクリプト...
スピーカー | トランスクリプト |
| この講演では、 |
| 00 | 11.600 |
| 3 |
| 時系列プラットフォーム。3つは |
| 時系列プラットフォームから |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| ボックスコックスは必要か |
| 変換された時系列? |
| データを見てみましょう |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 航空会社としても知られる |
| 乗客データセット。 |
| オリジナルシリーズは |
| 00 | 23.900 |
| 23 |
| モデルから。 |
| なぜでしょうか？プロットを見てみましょう... |
| 00 | 43.433 |
| 27 |
| 大きくなってきています。そしてこのシリーズ |
| では処理できません |
| 00 | 01.666 |
| 31 |
| 2枚目の写真では |
| 変化は変わらない |
| さまざまな時系列で??? |
| 00 | 20.266 |
| 36 |
| だから文学では人々は |
| まあ、私たちは変革するでしょう |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| 変換スケールの、この場合は |
| ここでは対数スケールです。 |
| 逆に送信する |
| 00 | 04.366 |
| 49 |
| 変身。 |
| 昔は…昔は |
| 00 | 21.966 |
| 53 |
| プロセス全体を合理化します。 |
| あなたがすべきことは |
| 00 | 39.133 |
| 57 |
| モデルを作成し、 |
| 予測し、ソフトウェア、 |
| 00 | 55.933 |
| 61 |
| Yにlog乗客を配置します。 |
| しかし今はそうする必要はありません。 |
| 00 | 15.033 |
| 66 |
| ボックスコックスに入る |
| 変換パラメータ Lambda。 |
| ゼロはログを意味します |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 赤い三角のメニューをクリックして |
| ARIMA または季節 ARIMA のいずれか。 |
| 00 | 01.766 |
| 78 |
| 季節限定で12個。 |
| 傍受なし。クリック |
| 00 | 19.633 |
| 22.933 |
| 24.500 |
| 28.733 |
| 85 |
| 86 |
| 予測の注意 |
| 逆変換。 |
| 00 | 49.600 |
| 91 |
| これに示します。 |
| プロットと予測は |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| モデルは時間の働き者です |
| シリーズ予測プラットフォーム。 |
| 彼らは多くのことを予測し予測することができる |
| 00 | 35.733 |
| 39.633 |
| 104 |
| パフォーマンスはある程度匹敵する |
| 予測に |
| 00 | 59.366 |
| 110 |
| 111 |
| なぜそれが...なぜこのタイプなのかを研究する |
| モデル作品とその理由 |
| 00 | 18.600 |
| 115 |
| 116 |
| 時系列にモデルを入力する |
| プラットフォームは、 |
| 00 | 43.900 |
| 120 |
| 未知の機能 |
| 状態、観察されていない状態。ここでは |
| 00 | 01.000 |
| 124 |
| 変数と誤差項 |
| 加法演算によって |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| 状態はレベル状態時間です |
| シリーズ。トレンド状態は |
| 00 | 40.733 |
| 134 |
| 135 |
| 州、そしてまた |
| 以前の季節の状態。そして |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 以前の傾向の状態は |
| 次へ震え上がる。 |
| トレンド状態とレベル状態 |
| 00 | 25.966 |
| 146 |
| 別の時点を指し示します。そして |
| 矢印がもっとあります...そこには |
| 状態遷移は |
| 00 | 49.700 |
| 152 |
| シリーズを Y に入力し、[OK] をクリックします。 |
| このタイプのモデルに適合させるために、 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| 設定したら12を入力します |
| 期間について。 |
| 「選択」をクリックします |
| おすすめボタン。 |
| 加法誤差モデルと |
| 00 | 47.666 |
| 169 |
| この特定のセットでは、私は |
| 制約パラメータをクリックする |
| 00 | 05.966 |
| 173 |
| これらに適合する推奨モデル |
| これらの時系列のタイプと |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| AICが小さいモデルと |
| 私の目は最初の2つに向いています |
| 00 | 52.300 |
| 184 |
| モデルです。そして私に |
| 予測を重ねる |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 元の時系列から |
| もっと素敵に。 |
| だから私は |
| 00 | 45.133 |
| 198 |
| 違いは？ |
| 最初はMAA...MAM。 |
| 下へ行きましょう。これは |
| 00 | 05.533 |
| 10.666 |
| 204 |
| これです | コンポーネントの状態。 |
| これは特別なものです |
| 00 | 32.900 |
| 209 |
| 最初の文字。 |
| そしてこの傾向は、 |
| 00 | 50.233 |
| 213 |
| このレポートの第二部は |
| ...は州の構成要素である |
| 00 | 06.100 |
| 217 |
| 一部は予測である |
| この特定の状態。 |
| 時系列の期間 |
| 00 | 27.500 |
| 222 |
| 223 |
| 増加傾向にある |
| 過去。増え続けている |
| 00 | 48.266 |
| 227 |
| シリーズとパターンは続く |
| 未来に向けて、そしてこれは |
| 00 | 03.466 |
| 231 |
| 観測されているが、予測は |
| 平ら。これが気になった。 |
| では2番目を見てみましょう |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 状態コンポーネントグラフ。レベルは |
| 過去に増加していた |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| 将来。これはより合理的である |
| 私が受け入れられるプロット。 |
| 00 | 14.866 |
| 252 |
| 2番目のスライドに進みます。 |
| このスライドと次のスライド |
| 00 | 45.100 |
| 259 |
| 予測の解釈について |
| このモデルから...このタイプの |
| モデル。ここで私は |
| 00 | 01.933 |
| 07.233 |
| 265 |
| 半分をここにリストしました。 |
| ああ、ほぼ半分だ。それでは焦点を当てましょう |
| 00 | 27.033 |
| 30.800 |
| 271 |
| 一部は増加傾向にあり、 |
| 終わりに向かって徐々に減少します。 |
| そして一方で、私たちは |
| 00 | 54.233 |
| 277 |
| これを使って予測から見る |
| 型モデル。季節性がある場合 |
| 関係ありません。私が |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| まず、これは |
| 季節性があればフラットな予測 |
| 00 | 46.833 |
| 51.266 |
| 291 |
| 直線的に増加する |
| パターンなどなど |
| 他のものと同様です。今 |
| 00 | 06.800 |
| 12.566 |
| 297 |
| ただ増加しているだけです。 |
| 適用後 |
| 00 | 34.033 |
| 302 |
| 季節性の乗法 |
| 私たちの増加のトップ |
| 00 | 48.966 |
| 306 |
| このタイプ...違うタイプの |
| 形状 | フラット |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| 私たちは違う...違う |
| 形状。それで私は再び入りますか??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 最終的に私たちが目にするのは |
| 予測。 |
| フラットパターンや |
| 00 | 00.733 |
| 323 |
| パラメータを分離しました |
| これらの部分と私も |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| 傾向は通常は横ばいに見えますが、 |
| 昇給します |
| レベル状態のパターン。 |
| 直線的で |
| 曲がっているとき。 |
| それはすべてこれがどうであるかにかかっています |
| 00 | 52.233 |
| 57.666 |
| 339 |
| 増加または減少 |
| 指数関数的にレベルが上がります。つまりこれは |
| 00 | 13.466 |
| 343 |
| リーンであり、それを考えてみましょう |
| 複利の場合 |
| レベル状態が上昇した場合 |
| 00 | 32.466 |
| 348 |
| 彼らは予測を立て、試みます... |
| 行き過ぎないようにしてください |
| または予測を下回る |
| 00 | 59.833 |
| 355 |
| どのように解釈するか |
| 州からの予測 |
| 00 | 20.133 |
| 359 |
| 2番目は、これらのどれでもない |
| モデルは静止している。 |
| 00 | 37.466 |
| 364 |
| これらを検討しているなら |
| 時系列。物事 |
| 00 | 55.566 |
| 59.600 |
| 369 |
| 3つ目は、 |
| その時系列は |
| 00 | 12.000 |
| 373 |
| 374 |
| 結果的に... |
| 次のスライドは |
| 00 | 31.933 |
| 378 |
| 種類間で比較する |
| モデルは注意してください。 |
| このスライドでは、その方法を説明します。 |
| 00 | 51.800 |
| 383 |
| 予報です。 |
| そして同様に、私は |
| 00 | 07.400 |
| 387 |
| これらのタイプの状態空間を適用する |
| モデルを定常状態に平滑化する |
| 時系列？ここでは、 |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| この時系列モデルでは、 |
| 最高のモデルは |
| 00 | 54.266 |
| 399 |
| 400 |
| むしろ違うのは |
| ランダムウォークモデルと |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| このプレゼンテーションの特徴 |
| ホールドバックの予想。 |
| この機能により、 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| 1つは別のモデルのものです。 |
| そしてこれらを比較してみましょう |
| 00 | 11.833 |
| 423 |
| 424 |
| この機能を有効にするには、 |
| 指定する必要がある |
| ホールドバックの長さ |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| 「推奨を選択」をクリックし、 |
| 制約をチェックする |
| 00 | 06.433 |
| 438 |
| 439 |
| シリーズの一部、 |
| 保留リストをリストアップしました |
| 00 | 26.000 |
| 443 |
| 444 |
| デフォルトでは |
| 常に指標を変えて |
| 00 | 39.900 |
| 44.866 |
| 449 |
| レポートは |
| 分析から得られた結果 |
| これを有効化せずに結果を表示 |
| 00 | 05.433 |
| 454 |
| 455 |
| まとめてみましょう |
| 私たちが学んだこと |
| 00 | 25.566 |
| 459 |
| ホールドバックを超えるパフォーマンス |
| データです。しかし、それらの基準は |
| 00 | 41.366 |
| 463 |
| プロセス。むしろ |
| 私たちが使う方法とは違う |
| 00 | 57.700 |
| 467 |
| モデルフィッティングの一部 |
| プロセスなので、これは |
| 00 | 17.000 |
| 471 |
| 評価を控える |
| 異なるモデルに基づいて |
| パフォーマンスを予測します。 |
| 00 | 32.033 |
| 35.366 |
| 478 |
| 列は時系列である |
| 指標。Yは時系列 |
| 00 | 55.666 |
| 482 |
| データセットを要約するか、 |
| 時間または時系列、 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| 仕様を変更したり |
| モデル選択戦略では、 |
| 00 | 39.200 |
| 494 |
| チェック...選択内容を変更 |
| 予測のための最初のコンボボックス |
| パフォーマンス。それから私たちは選択することができます |
| パフォーマンスの予測 |
| 00 | 04.633 |
| 500 |
| 予測したいのですが、 |
| いずれかを選択...いずれかに変更 |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| トレーニングを使用して |
| 時系列、最適なものを選択する |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| シリーズプラットフォーム。まず分析する |
| Box Cox 変換された時系列。 |
| 2番目はフィット状態です |
| 00 | 27.666 |
| 521 |
| 522 |
| 同様に、それを使用して |
| そしてモデル選択方法。 |
| どうもありがとうございます。 |
