Peng Liu, SAS JMP 수석 연구 통계 개발자
Jian Cao, JMP 수석 시스템 엔지니어, SAS
이번 강연에서는 두 가지 시계열 관련 플랫폼의 주요 업데이트에 대한 포괄적인 검토를 제공할 것입니다. 보다 구체적으로 업데이트에는 예측 성능 기반 모델 선택 방법, 최근 추가된 상태 공간 평활화 모델 연구를 위한 향상된 기능, Box-Cox 변환 시계열을 사용한 분석 기능이 포함됩니다. 새로운 기능의 흥미로운 사용 사례를 식별하는 데 도움이 되는 개발 노력의 동기를 설명하겠습니다. 이러한 새로운 기능을 사용할 수 있는 방법에 대한 다양한 가능성 중 일부를 설명하기 위해 몇 가지 예를 제시하겠습니다. JMP 16은 시계열 플랫폼의 주요 업그레이드를 나타냅니다. 새로운 기능을 갖춘 JMP는 시계열 분석에서 흥미롭고 새로운 발견의 문을 열어줍니다.
자동 생성된 스크립트...
스피커 | 성적 증명서 |
| 이 강연은 몇 가지를 강조하기 위한 것입니다. |
| 00 | 11.600 |
| 3 |
| 시계열 플랫폼. 3개는 |
| 시계열 플랫폼과 |
| 00 | 34.700 |
| 38.400 |
| 10 |
| 11 |
| 12 |
| Box Cox가 필요한가요? |
| 변형된 시계열? |
| 데이터를 살펴 보겠습니다. |
| 00 | 00.933 |
| 06.200 |
| 18 |
| 항공사라고도 함 |
| 승객 데이터 세트. |
| 오리지널 시리즈는 |
| 00 | 23.900 |
| 23 |
| 모델 출신. |
| 왜? 줄거리를 살펴보자.. |
| 00 | 43.433 |
| 27 |
| 점점 커지고 있습니다. 그리고 이 시리즈 |
| 에서 처리할 수 없습니다. |
| 00 | 01.666 |
| 31 |
| 두 번째 그림에서. 그래서 |
| 변형은 변하지 않습니다 |
| 다양한 시계열로 ??? |
| 00 | 20.266 |
| 36 |
| 그래서 문학에서 사람들은 |
| 그래, 우리는 변신할 거야 |
| 00 | 33.800 |
| 38.700 |
| 41 |
| 42 |
| 43 |
| 이 경우 변환 규모의 |
| 여기는 로그 스케일입니다. |
| 역으로 보내면 |
| 00 | 04.366 |
| 49 |
| 변환. |
| 옛날에...과거에 |
| 00 | 21.966 |
| 53 |
| 전체 프로세스를 간소화합니다. |
| 당신이해야 할 일은 |
| 00 | 39.133 |
| 57 |
| 모델을 만들고 만들어야 해요 |
| 예측, 그다음 소프트웨어, |
| 00 | 55.933 |
| 61 |
| 로그 승객을 Y에 넣을 것입니다. |
| 하지만 이제는 그럴 필요가 없습니다. 우리 |
| 00 | 15.033 |
| 66 |
| 박스콕스에 들어가려면 |
| 변환 매개변수 람다. |
| 0, 로그라는 뜻이에요 |
| 00 | 28.333 |
| 31.166 |
| 37.433 |
| 73 |
| 빨간색 삼각형 메뉴를 클릭하고 |
| ARIMA 또는 계절별 ARIMA입니다. |
| 00 | 01.766 |
| 78 |
| 계절 부분의 경우 12입니다. |
| 가로 채지 않고. 딸깍 하는 소리 |
| 00 | 19.633 |
| 22.933 |
| 24,500 |
| 28.733 |
| 85 |
| 86 |
| 예측하다 |
| 역변환. 그만큼 |
| 00 | 49.600 |
| 91 |
| 이것에 표시됩니다. |
| 음모와 예측은 |
| 00 | 05.033 |
| 08.800 |
| 11.100 |
| 17.866 |
| 98 |
| 모델은 시간의 일꾼이다 |
| 시리즈 예측 플랫폼. |
| 그들은 많이 적합하고 예측할 수 있습니다 |
| 00 | 35.733 |
| 39.633 |
| 104 |
| 성능은 어느 정도 비슷해요 |
| 예측에 |
| 00 | 59.366 |
| 110 |
| 111 |
| 왜 그런지 연구해 보세요...왜 이런 유형인지 |
| 모델 작품의 일부와 그 이유 |
| 00 | 18.600 |
| 115 |
| 116 |
| 모델을 시계열에 입력 |
| 위해 설계된 플랫폼 |
| 00 | 43.900 |
| 120 |
| 미지의 함수 |
| 상태, 관찰되지 않은 상태. 여기에서 |
| 00 | 01.000 |
| 124 |
| 변수와 오류항 |
| 추가 작업을 통해 |
| 00 | 16.266 |
| 19.200 |
| 129 |
| 130 |
| 상태는 레벨 상태 시간입니다. |
| 시리즈. 추세 상태는 |
| 00 | 40.733 |
| 134 |
| 135 |
| 상태이며 또한 다음 중 하나입니다. |
| 이전 계절 상태. 그리고 |
| 00 | 59.733 |
| 03.133 |
| 140 |
| 141 |
| 이전 추세 상태는 |
| 다음으로 넘어갑니다. |
| 추세 상태와 수준 상태 |
| 00 | 25.966 |
| 146 |
| 다른 시점을 가리킨다. 그리고 |
| 화살표가 더 있는데...그게 |
| 현재보다 더 많은 상태 전환이 발생합니다. |
| 00 | 49.700 |
| 152 |
| Y로 시리즈화하고 확인을 클릭합니다. |
| 이러한 유형의 모델에 적합하도록 우리는 |
| 00 | 12.300 |
| 16.766 |
| 160 |
| 161 |
| 설정했습니다. 12를 입력하겠습니다. |
| 기간 동안. |
| 그리고 선택을 클릭하겠습니다. |
| 추천버튼입니다. |
| 가산 오차 모델로부터 |
| 00 | 47.666 |
| 169 |
| 이 특별한 세트, 내가 갈거야 |
| 구속조건 매개변수를 클릭하려면 |
| 00 | 05.966 |
| 173 |
| 이에 맞는 추천 모델 |
| 유형...이 시계열 및 |
| 00 | 23.666 |
| 27.966 |
| 179 |
| 180 |
| AIC가 더 작은 모델과 |
| 내 눈은 처음 두 개에 쏠려 있어 |
| 00 | 52.300 |
| 184 |
| 모델. 그리고 나에게 |
| 예측을 오버레이하다 |
| 00 | 09.366 |
| 10.566 |
| 17.666 |
| 190 |
| 191 |
| 192 |
| 193 |
| 원래 시계열에서 |
| 더 멋지게. |
| 그래서 내 취향으로는 |
| 00 | 45.133 |
| 198 |
| 차이점? 열어볼게요 |
| 첫 번째 MAA...MAM. |
| 아래로 내려갑시다. 이것 |
| 00 | 05.533 |
| 10.666 |
| 204 |
| 이 하나 | 구성 요소 상태. |
| 이건 특별히 |
| 00 | 32.900 |
| 209 |
| 첫 번째 편지. |
| 그리고 추세는 다음과 같이 가산됩니다. |
| 00 | 50.233 |
| 213 |
| 이 보고서의 두 번째 부분은 |
| ...상태 구성 요소입니다 |
| 00 | 06.100 |
| 217 |
| 부분은 예측이다. |
| 이 특정 상태. |
| 시계열의 기간 |
| 00 | 27.500 |
| 222 |
| 223 |
| 증가하는 패턴을 가지고 있습니다. |
| 과거. 계속 증가하고 있어요 |
| 00 | 48.266 |
| 227 |
| 시리즈이고 패턴이 계속됩니다 |
| 미래를 향해, 그리고 이것은 |
| 00 | 03.466 |
| 231 |
| 관찰되었지만 예측은 |
| 평평한. 이것이 나를 괴롭혔다. |
| 이제 두 번째를 살펴보자 |
| 00 | 17.333 |
| 20.366 |
| 23.566 |
| 27.933 |
| 239 |
| 240 |
| 상태 구성 요소 그래프. 레벨은 |
| 과거에는 증가했다 |
| 00 | 44.366 |
| 48.466 |
| 245 |
| 246 |
| 247 |
| 248 |
| 미래. 이게 더 합리적이네 |
| 내가 받아들일 수 있는 음모. 그렇죠? |
| 00 | 14.866 |
| 252 |
| 두 번째 슬라이드로 넘어갑니다. |
| 이 슬라이드와 다음 슬라이드 |
| 00 | 45.100 |
| 259 |
| 예측 해석에 관해 |
| 이 모델에서... 이런 종류의 |
| 모델. 여기 내가 원하는 |
| 00 | 01.933 |
| 07.233 |
| 265 |
| 위로. 나는 그 중 절반을 여기에 나열했습니다. |
| 아, 거의 절반이군요. 그러니 집중하자 |
| 00 | 27.033 |
| 30.800 |
| 271 |
| 일부 증가 추세 |
| 끝으로 갈수록 점점 가늘어진다. |
| 반면에 우리는 다음과 같이 할 수 있습니다. |
| 00 | 54.233 |
| 277 |
| 이것을 사용하여 예측에서 확인하십시오 |
| 유형 모델. 계절적인 경우 |
| 관여하지 않습니다. 내가 언제 |
| 00 | 11.066 |
| 14.200 |
| 19.566 |
| 284 |
| 285 |
| 286 |
| 첫 번째는 이거다 |
| 계절성이 있는 경우 평탄한 예측 |
| 00 | 46.833 |
| 51.266 |
| 291 |
| 선형적인 증가를 가짐 |
| 아버지 등등 |
| 다른 사람들과 비슷합니다. 지금 |
| 00 | 06.800 |
| 12.566 |
| 297 |
| 단지 증가할 뿐입니다. |
| 적용 후 |
| 00 | 34.033 |
| 302 |
| 곱셈 계절성 |
| 우리 증가의 꼭대기 |
| 00 | 48.966 |
| 306 |
| 이 유형...다른 유형 |
| 모양 | 평평한 |
| 00 | 05.666 |
| 10.733 |
| 311 |
| 312 |
| 우리는 서로 다르다...다르다 |
| 모양. 그래서 다시 들어가요 ??? |
| 00 | 33.466 |
| 40.433 |
| 318 |
| 우리가 결국 보게 되는 것 |
| 예측. |
| 플랫 패턴이 있거나 |
| 00 | 00.733 |
| 323 |
| 매개변수. 그래서 헤어졌어 |
| 이 부분들과 나도 |
| 00 | 14.866 |
| 20.400 |
| 328 |
| 329 |
| 330 |
| 추세는 일반적으로 평평해 보입니다. |
| 우리는 증가를 얻을 것이다 |
| 레벨 상태의 패턴입니다. |
| 선형일 때 |
| 곡선일 때. |
| 그것은 모두 이것이 어떻게 되는지에 달려 있다 |
| 00 | 52.233 |
| 57.666 |
| 339 |
| 증가하거나 감소하는 |
| 기하급수적으로 수준. 그래서 이것은 |
| 00 | 13.466 |
| 343 |
| 마른 체형이고 그렇게 생각해요 |
| 경우 복리 이율 |
| 레벨 상태가 증가하면 |
| 00 | 32.466 |
| 348 |
| 그들은 예측을 하고, 그렇게 하려고 노력합니다... |
| 오버슛하지 않으려고 노력하다 |
| 또는 예측보다 부족함 |
| 00 | 59.833 |
| 355 |
| 해석하는 방법 |
| 주정부의 예측 |
| 00 | 20.133 |
| 359 |
| 두 번째는, 이것들 중 아무것도 아니야 |
| 모델은 고정되어 있습니다. 그들은 |
| 00 | 37.466 |
| 364 |
| 따라서 이러한 사항을 고려하고 계시다면 |
| 시계열. 것들 |
| 00 | 55.566 |
| 59.600 |
| 369 |
| 세번째, 방금 봤다면 |
| 그 시계열은 아니야 |
| 00 | 12.000 |
| 373 |
| 374 |
| 결과는 ...에 |
| 다음 슬라이드에 들어갈 |
| 00 | 31.933 |
| 378 |
| 유형별로 비교 |
| 모델 조심하세요. |
| 이 슬라이드에서는 다음 방법을 보여줍니다. |
| 00 | 51.800 |
| 383 |
| 예측입니다. |
| 그리고 마찬가지로, 나는 |
| 00 | 07.400 |
| 387 |
| 이러한 유형의 상태 공간을 적용하십시오. |
| 모델을 정지 상태로 스무딩 |
| 시계열? 여기서는 |
| 00 | 32.633 |
| 393 |
| 394 |
| 395 |
| 이 시계열의 모델은 |
| 최고의 모델은 |
| 00 | 54.266 |
| 399 |
| 400 |
| 오히려 다르기 때문에 |
| 랜덤 워크 모델과 |
| 00 | 13.466 |
| 16.466 |
| 18.733 |
| 22.333 |
| 408 |
| 이 프레젠테이션의 기능 |
| 보류에 대한 예측. |
| 이 기능을 사용하면 |
| 00 | 37.966 |
| 40.500 |
| 45.833 |
| 415 |
| 416 |
| 417 |
| 418 |
| 하나는 다른 모델의 것입니다. |
| 그런 다음 이것을 비교할 수 있습니다 |
| 00 | 11.833 |
| 423 |
| 424 |
| 이 기능을 활성화하려면 그럼 내가 |
| 지정해야 함 |
| 홀드백의 길이 |
| 00 | 35.200 |
| 38.466 |
| 430 |
| 431 |
| 432 |
| 추천 선택을 클릭하고, |
| Constraint를 확인하고 |
| 00 | 06.433 |
| 438 |
| 439 |
| 시리즈의 일부, |
| 우리는 보류를 나열했습니다 |
| 00 | 26.000 |
| 443 |
| 444 |
| 기본적으로는 가능하지만 |
| 항상 측정항목을 변경하세요. |
| 00 | 39.900 |
| 44.866 |
| 449 |
| 보고서는 다음과 유사합니다. |
| 분석에서 얻은 것 |
| 이것을 활성화하지 않은 결과 |
| 00 | 05.433 |
| 454 |
| 455 |
| 내가 요약해보자 |
| 우리가 배운 것 |
| 00 | 25.566 |
| 459 |
| 홀드백에 대한 성능 |
| 데이터. 하지만 그 기준은 |
| 00 | 41.366 |
| 463 |
| 프로세스. 우리는 오히려 |
| 우리가 사용하는 방식과 다르다 |
| 00 | 57.700 |
| 467 |
| 모델 피팅의 일부 |
| 프로세스, 그러니까 이건 뭔가요 |
| 00 | 17.000 |
| 471 |
| 평가를 위한 보류 |
| 모델에 따라 다양한 모델이 제공됩니다. |
| 실적 예측. 그래서 우리는 |
| 00 | 32.033 |
| 35.366 |
| 478 |
| 열은 시계열입니다. |
| 지시자. Y는 시계열입니다. |
| 00 | 55.666 |
| 482 |
| 데이터 세트를 요약하거나 |
| 시간 또는 시계열 |
| 00 | 09.533 |
| 12.066 |
| 16.600 |
| 488 |
| 489 |
| 사양을 변경하거나 |
| 모델 선택 전략, 우리는 |
| 00 | 39.200 |
| 494 |
| 확인...선택 항목 변경 |
| 예측의 첫 번째 콤보 상자 |
| 성능. 그럼 우리는 선택할 수 있습니다 |
| 실적 예측 |
| 00 | 04.633 |
| 500 |
| 우리는 예측을 원합니다. 하지만 넌 할수있어 |
| 아무거나 선택...아무거나로 변경 |
| 00 | 17.833 |
| 25.466 |
| 30.866 |
| 506 |
| 507 |
| 훈련을 이용해서 |
| 시계열, 가장 좋은 것을 선택하세요 |
| 00 | 49.800 |
| 52.333 |
| 54.766 |
| 57.900 |
| 00.966 |
| 515 |
| 시리즈 플랫폼. 첫 번째 분석 |
| Box Cox 변환 시계열. |
| 두 번째는 맞는 상태입니다. |
| 00 | 27.666 |
| 521 |
| 522 |
| 뿐만 아니라 그것을 다음과 같이 사용합니다. |
| 그리고 모델선정방법. |
| 매우 감사합니다. |
