756828_de-DE

liliconcom

Welche Prognosen sollte ich verwenden? Ein Add-In zum Vergleich von ARIMA- und State Space Smoothing-Modellen (2021-US-30MP-845)

Jacob Rhyne, Sr Analytics Software Tester, JMP

Die Zeitreihenplattform in JMP ermöglicht es Benutzern, Zeitreihendaten zu untersuchen und zukünftige Beobachtungen vorherzusagen. Zwei gängige Modellklassen, ARIMA-Modelle und State Space Smoothing-Modelle, sind beide in JMP 16 verfügbar. JMP-Benutzer möchten möglicherweise einen Satz ARIMA-Modelle sowie einen Satz State Space Smoothing-Modelle anpassen und ein Modell für die Prognose auswählen. Die Wahl zwischen einem ARIMA- und einem ETS-Modell kann jedoch eine schwierige Aufgabe sein. Während Modelle derselben Klasse miteinander verglichen werden können, ist dies bei ARIMA- und State Space Smoothing-Modellen nicht direkt anhand eines Modellauswahlkriteriums wie AIC möglich. Es wird ein Add-In vorgestellt, das Benutzern die Auswahl zwischen geeigneten ARIMA- und State Space Smoothing-Modellen erleichtert. Das Add-In ermöglicht JMP-Benutzern, Modellklassen mittels Zeitreihen-Kreuzvalidierung zu vergleichen oder Kandidatenmodelle anhand eines Testdatensatzes zu bewerten. Nach einem Überblick über ARIMA- und State Space Smoothing-Modelle in JMP zeigt diese Präsentation, wie das Add-In verwendet werden kann, um Empfehlungen für das für die Prognose zu verwendende Modell abzugeben.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
	Hallo, vielen Dank, dass Sie sich die Zeit genommen haben, sich das anzusehen. Mein Name ist Jacob Rhyne. Ich bin Softwaretester für JMP. Heute stelle ich Ihnen ein von mir geschriebenes Add-In vor, das Ihnen bei der Auswahl zwischen einem ARIMA-Modell und einem State Space Smoothing-Modell in der Zeitreihenplattform von JMP hilft.
	Daher beginne ich mit einem kurzen Überblick über die Anpassung von ARIMA- und State Space Smoothing-Modellen in der Time Series-Plattform.
	Ich erkläre die Notwendigkeit eines Add-Ins zur Auswahl zwischen diesen beiden Modellklassen. Außerdem gebe ich einen Überblick über die Zeitreihen-Kreuzvalidierung, das Haupttool des Add-Ins. Abschließend zeige ich das Add-In anhand von JMP 16.1.
	Die Zeitreihenplattform in JMP ermöglicht die Anpassung zahlreicher Zeitreihenmodelle. Der Schwerpunkt dieser Präsentation liegt auf ARIMA- und State Space Smoothing-Modellen. Ich zeige, wie beide Modelle anhand dieser Beispieldaten zu Stahllieferungen angepasst werden können.
	Die Beispieldaten zu Stahllieferungen enthalten die monatlichen Gesamtwerte der US-Stahllieferungen von 1984 bis 1991. Und ich werde dies mit der Zeitreihenplattform im Menü „Spezialisierte Modellierung“ untersuchen.
	Die Spalte „Stahllieferungen“ ist meine Zeitreihe. Die Spalte „Datum“ ist meine Zeit-ID. Nehmen wir an, ich möchte die Stahllieferungen der nächsten zwei Jahre prognostizieren. Da es sich um monatliche Daten handelt, benötige ich 24 Prognosezeiträume. Ich klicke auf „OK“, um meinen Zeitreihenbericht zu starten.
	Sie können sehen, dass ich in der Zeitreihe einige grundlegende Statistiken der Reihe sowie einige grundlegende Zeitreihendiagnosen dargestellt habe.
	Ich möchte ein ARIMA-Modell an diese Zeitreihe anpassen. Dabei muss ich entscheiden, ob Transformationen oder Differenzen erforderlich sind. Um dies zu untersuchen, verwende ich die Option „Differenz“ im Menü „Zeitreihe“.
	Ich beginne mit einer nichtsaisonalen Differenzierung der ersten Ordnung und klicke auf „Schätzen“.
	Jetzt habe ich ein Diagramm der Differenzreihe. Es sieht besser aus, da es stationärer ist, aber es gibt immer noch eine gewisse Saisonalität. Und das erkenne ich an der Diagnose. Ich gehe runter bis zu Verzögerung Nummer 12.
	Ich kann sehen, dass der Autokorrelationswert hoch ist und die partielle Autokorrelation für Lag 12 auch etwas hoch ist. Dies deutet darauf hin, dass ich ein saisonales ARIMA-Modell mit nicht saisonaler und saisonaler Differenzierung anpassen sollte.
	Ich werde diesen Differenzbericht schließen, um ihn übersichtlich zu halten. Außerdem werde ich die Anpassung einiger verschiedener ARIMA-Modelle mit der Option „ARIMA-Modellgruppe“ untersuchen.
	Ich habe mich daher entschieden, ein saisonales ARIMA-Modell mit einer nichtsaisonalen Differenzierungsordnung von eins und einer saisonalen Differenzierungsordnung von eins anzupassen. Für die autoregressiven und gleitenden Durchschnittsordnungen werde ich jedoch entweder Null oder Eins wählen.
	Wenn ich auf „Schätzen“ klicke, passt JMP diese 16 verschiedenen saisonalen ARIMA-Modelle an. Ich kann nach unten zum Modellvergleichsfenster scrollen und diese Modelle anzeigen. Die Modelle sind absteigend nach AIC sortiert, daher wähle ich das Modell mit dem geringsten AIC aus.
	Ich kann nach unten scrollen und mir das Modell und den Bericht ansehen. Ich sehe, dass es stabil und invertierbar ist. Ich könnte mir die Tabelle mit den Parameterschätzungen ansehen. Werfen Sie einen Blick auf die Prognose und die Prognoseintervalle.
	Nehmen wir an, ich habe alle diese Diagnosen durchgesehen und bin mit diesem saisonalen ARIMA-Modell als Kandidat für die Prognose zufrieden.
	Daher werde ich diese anderen saisonalen ARIMA-Modelle aus dem Bericht entfernen.
	Und sagen wir, ich möchte auch die Verwendung eines State Space Smoothing-Modells in Betracht ziehen, um eine Prognose zu erstellen. Dazu kann ich die Option „State Space Smoothing“ aus dem Zeitreihenmenü verwenden.
	Ich muss sagen, dass der Zeitraum 12 beträgt, weil es sich um monatliche Daten handelt, und ich werde einfach alle empfohlenen State Space Smoothing Models für diese Zeitreihe anpassen.
	Ich klicke also auf „OK“, um das Programm auszuführen. Wenn ich nach unten zum Modellvergleichsbericht scrolle, sehe ich, dass JMP alle empfohlenen State Space Smoothing-Modelle angepasst hat. Sie sind wieder in absteigender Reihenfolge nach AIC sortiert.
	Das Modell, das den AIC minimierte, war ein multiplikatives Fehlermodell ohne Trend und mit multiplikativer Saisonalität. Ich wähle also dieses Modell
	in der Übersicht zum Modellvergleich und scrollen Sie nach unten, um sich die Modellanpassung anzusehen.
	Ich kann mir also die Modellzusammenfassung ansehen und mir die Tabelle mit den Parameterschätzungen ansehen.
	Sie können die Prognose und die Prognoseintervalle anzeigen. Nehmen wir an, ich habe alle Diagnosen durchgesehen und bin mit diesem State Space Smoothing Model als Kandidat für die Prognose zufrieden.
	Daher entferne ich das andere State Space Smothing Model aus meinen Modellen und aus meinem Modellvergleichsfenster.
	Die Frage ist nun, wie ich zwischen diesem ARIMA-Modell, das ich in Betracht ziehe, und dem State Space Smoothing-Modell wähle, das ich für die Prognose in Betracht ziehe.
	Sie können sehen, dass ich diese Textwarnung habe, die mir mitteilt, dass wahrscheinlichkeitsbasierte Kriterien zwischen den verschiedenen Modellklassen nicht vergleichbar sind.
	Und das bedeutet, dass ich nicht einfach rüberscrollen und den AIC anzeigen und sagen kann: „Da der AIC niedriger ist, werde ich ihn für die Prognose des ARIMA-Modells verwenden.“
	Das ist keine gültige Entscheidung. Was mache ich also? Nun, es gibt bereits eine Option in JMP. Wenn Ihre Daten lang genug sind.
	Um eine Zurückhaltung festzulegen, können Sie beim Starten der Time Series-Plattform die Option „Prognose für Zurückhaltung“ verwenden.
	Dadurch werden alle von Ihnen verwendeten Zeitreihenmodelle an das Trainingsset angepasst. Im Modellvergleichsfenster werden die Modelle nicht nach AIC sortiert,
	Es sortiert die Modelle nach dem mittleren quadratischen Fehler oder RMSE des Holdback-Sets und Sie wählen das Modell aus, das den RMSE des Holdback-Sets minimiert.
	Wenn Ihre Daten jedoch nicht lang genug sind, um einen Holdback-Satz zu verwenden, können wir die Option „Prognose mit Holdback“ nicht verwenden und benötigen eine andere Methode, die uns bei der Auswahl zwischen einem ARIMA-Modell oder einem State Space Smoothing-Modell hilft.
	Und um dies zu tun.
	Aus diesem Grund habe ich das Add-In erstellt. Das Add-In unterstützt Sie bei der Auswahl mithilfe der sogenannten Zeitreihen-Kreuzvalidierung.
	Bei der Kreuzvalidierung von Zeitreihen wird Ihre Zeitreihe im Wesentlichen in mehrere Trainings- und Testsätze unterteilt, wobei Sie bei jeder nachfolgenden Gruppe den Trainingssatz um eine Zeile erweitern.
	Ich werde gleich ein ausführliches Beispiel für die Kreuzvalidierung von Zeitreihen geben, möchte aber darauf hinweisen, dass ich diese Methode nicht erfunden habe. Wenn Sie mehr darüber erfahren möchten,
	nachdem ich mir diesen Vortrag angesehen habe, ist dies eine Ressource zu Prognoseprinzipien und -praxis von Dr. Rob Hyndman, die ich empfehlen würde.
	Aber sehen wir uns ein Beispiel für die Kreuzvalidierung von Zeitreihen an.
	Nehmen wir an, ich habe Daten zu den nordamerikanischen Kinokassenergebnissen von Januar bis Juli 2021, weil ich ein Filmfan bin.
	Und ich möchte die Kinokassenergebnisse der nächsten sechs Wochen mit einem ARIMA-Modell oder einem State Space Smoothing-Modell prognostizieren. Um zu entscheiden, welche Prognose ich verwenden soll, möchte ich eine Zeitreihen-Kreuzvalidierung durchführen.
	Wie bereits erwähnt, werden Ihre Daten bei der Zeitreihen-Kreuzvalidierung in Gruppen von Trainings- und Testsätzen unterteilt, wobei Sie den Trainingssatz um eine Zeile und jede nachfolgende Gruppe erweitern.
	Ich muss also entscheiden, wie viele Zeilen ich in meinem anfänglichen Trainingssatz haben möchte.
	Standardmäßig erstellt mein Add-In sechs Zeitreihen-Kreuzvalidierungsgruppen. Dadurch erhalten Sie eine empfohlene Anzahl von Standardzeilen für Ihr anfängliches Trainingsset. Sie können diese Anzahl jedoch gerne ändern, wenn Sie möchten.
	Ich werde für dieses Beispiel den Standardwert von 17 Anfangszeilen im Trainingssatz beibehalten.
	Wenn Sie das Add-In für die Zeitreihen-Kreuzvalidierung starten, erhalten Sie einen Standard-Zeitreihenbericht. Am Ende des Berichts wird jedoch auch ein Rahmenfeld für Ihre Zeitreihen-Kreuzvalidierungskontrollen angehängt.
	Hier müssen Sie also die Anzahl der Anfangszeilen angeben, also die Anzahl der Zeilen in Ihrem ersten Trainingssatz, die gewünschte Prognoselänge und den Zeitraum, wenn Sie saisonale Modelle anpassen möchten.
	Ich werde also den Standardwert von 17 Zeilen im Trainingssatz beibehalten, wodurch ich sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen erstellen kann.
	Ich verwende eine Prognoselänge von sechs, da ich die Kinokassenentwicklung der nächsten sechs Wochen prognostizieren möchte. Und hier behalte ich den Zeitraum gleich „fehlend“, da ich für diese speziellen Daten keine saisonalen Modelle anpassen werde.
	Lassen Sie uns also die erste Zeitreihen-Kreuzvalidierungsgruppe untersuchen.
	Sie können sehen, dass mein erster Trainingssatz 17 Zeilen enthält und die nächsten sechs Zeilen mein Testsatz sind.
	Mein Add-In passt die von mir angeforderten ARIMA-Modelle an den Trainingssatz an. Außerdem passt es die empfohlenen Modelle zur Zustandsraumglättung an den Trainingssatz an.
	Es wird das beste Modell jeder Klasse nach AIC auswählen, meine Prognose für die ausgewählten Modelle in den Testsatz übernehmen und den Prognosefehler auswerten.
	Die zweite Zeitreihen-Kreuzvalidierungsgruppe wird den Trainingssatz um eine Zeile erweitern, sodass mein Trainingssatz jetzt
	besteht aus den Zeilen eins bis 18 und die nächsten sechs Zeilen sind mein Testsatz. Und dann wiederhole ich den Vorgang, den ich in der ersten Zeitreihen-Kreuzvalidierungsgruppe durchgeführt habe.
	Ich passe alle vom Benutzer angeforderten ARIMA-Modelle an und passe die empfohlenen State Space Smoothing-Modelle an. Wähle das beste Modell anhand der AIC-Prognose im Testsatz aus und speichere den Prognosefehler.
	Und ich mache so weiter, bis ich alle meine Daten verwendet habe. Die letzte Zeitreihen-Kreuzvalidierungsgruppe für dieses Beispiel würde also die Zeilen eins bis 22 als Trainingssatz verwenden und dann den Rest der Daten, die letzten sechs Zeilen, als Testsatz.
	Ich habe also erwähnt, dass ich den Prognosefehler für jede Zeitreihen-Kreuzvalidierungsgruppe speichere.
	Das Add-In meldet den Gesamt-RMSE, MAE und MAPE für die beiden Modellklassen und gibt Ihnen ein Diagramm des RMSE für jede Zeitreihen-Kreuzvalidierungsgruppe.
	Mithilfe dieser Tabelle und dieses Diagramms können Sie entscheiden, ob Sie jedes Modell für die Prognose oder die Prognose mit einem Zustandsraumglättungsmodell verwenden sollten.
	Sehen wir uns das Add-In in Aktion mit diesen Daten an.
	Ich öffne also meine Kassendaten, die ich von Box Office Mojo erhalten habe, und führe einfach dieses Skript aus, das die Zeitreihenplattform für diese Daten startet, weil ich mir nur die Zeitreihe ansehen möchte.
	Ich prognostiziere den durchschnittlichen Bruttoumsatz an der Kinokasse pro Woche und sehe, dass im Laufe der Wochen die Abweichung und der durchschnittliche Bruttoumsatz größer werden. Deshalb möchte ich eine Log-Transformation durchführen.
	zum durchschnittlichen Brutto. Ich kann das tun, indem ich eine Log-Formelspalte für den durchschnittlichen Brutto erstelle, aber
	Das ist nicht notwendig. Das Add-In ermöglicht Ihnen eine Box-Cox-Transformation, genau wie die Standard-Zeitreihenplattform. Ich starte also mein Add-In und klicke über den Haftungsausschluss hinaus. Ich möchte den durchschnittlichen Kassenabschluss pro Woche für die nächsten sechs Wochen prognostizieren.
	und ich möchte eine Log-Transformation auf den durchschnittlichen Bruttowert durchführen, also verwende ich eine Box-Cox-Transformation mit Lambda gleich Null.
	Und ich klicke auf OK.
	Dadurch wird der Standard-Zeitreihenbericht für die transformierte Box-Cox-Antwort gestartet. Ich kann alle gewünschten Zeitreihenmodelle, die in JMP verfügbar sind, mit diesem roten Dreieckmenü anpassen.
	Stattdessen gehe ich zum Ende des Berichts und verwende die Zeitreihen-Kreuzvalidierung, um eine Empfehlung zu erhalten, ob ich ein ARIMA-Modell oder ein Zustandsraum-Glättungsmodell anpassen sollte.
	Ich belasse die ersten Zeilen bei 17, da ich dadurch die sechs Zeitreihen-Kreuzvalidierungsgruppen erhalte, die ich gerade im vorherigen Beispiel gezeigt habe.
	Ich behalte eine Prognoselänge von sechs bei, da ich die Kinokassenergebnisse der nächsten sechs Wochen prognostizieren möchte und ich werde den Zeitraum für dieses Beispiel gleich dem fehlenden Wert belassen.
	Ich klicke also auf „Ausführen“ und muss nun angeben, welche ARIMA-Modelle ich in jede Zeitreihen-Kreuzvalidierungsgruppe einfügen möchte. Ich entscheide mich also für die nichtsaisonale Differenzbildung von eins, lasse die Reihenfolge der autoregressiven und gleitenden Durchschnitte jedoch entweder null oder eins sein.
	Wenn ich also auf „Schätzen“ klicke, wird jede Zeitreihen-Kreuzvalidierungsgruppe an diese vier ARIMA-Modelle und die empfohlenen State Space Smoothing-Modelle angepasst.
	Ich klicke also auf „Schätzen“. Das Add-In erweitert diesen Datensatz in meine sechs Zeitreihen-Kreuzvalidierungsgruppen, passt die angeforderten Modelle an den Trainingssatz an, prognostiziert sie im Testsatz und speichert den Prognosefehler.
	Ich scrolle also nach unten und schaue mir die Ergebnisse an. Wie Sie der Tabelle entnehmen können, lieferten die ARIMA-Modelle insgesamt niedrigere RMSE-, MAE- und MAPE-Werte als die State Space Smoothing-Modelle. Und wenn ich mir die Grafik anschaue
	Ich kann sehen, dass die ARIMA-Modelle für jede Zeitreihen-Kreuzvalidierungsgruppe einen niedrigeren RMSE produzierten.
	Dieses Add-In empfiehlt daher die Verwendung eines ARIMA-Modells zur Erstellung von Prognosen für diese Daten anstelle eines Zustandsraum-Glättungsmodells. Ich kann also zum roten Dreieckmenü gehen und mit der Option „ARIMA-Modellgruppe“ ein ARIMA-Modell anpassen.
	Sehen wir uns ein weiteres Beispiel des Add-Ins an. Für das nächste Beispiel werde ich eine Teilmenge der MC3 Quarterly-Beispieldaten verwenden.
	Die MC3 Quarterly-Beispieldaten enthalten Daten für etwas über 100 verschiedene Zeitreihen aus dem MC3-Modellierungswettbewerb. Die Reihen sind alle vierteljährlich.
	Ich finde, das ist ein interessanter Datensatz, weil er so viele verschiedene Zeitreihen enthält. Aus Zeitgründen habe ich in diesem Vortrag jedoch nur eine zufällige Teilmenge von drei Reihen aus der Tabelle ausgewählt.
	Also werde ich mein Add-In starten.
	Und ich richte den Launcher ein. Meine Y-Spalte ist meine Zeitreihe, die Zeit ist die Zeit-ID. Da ich Daten für mehrere Reihen habe, muss ich die Option „nach“ für die Reihenspalte verwenden. Nehmen wir wieder an, ich möchte die nächsten zwei Jahre prognostizieren. Also gebe ich acht Prognosezeiträume ein und klicke auf „OK“.
	Wie erwartet wurde der Zeitreihenbericht für jede einzelne Reihe in meiner Tabelle aufgerufen. Außerdem habe ich für jede Reihe in der Tabelle eine Zeitreihen-Kreuzvalidierungskontrolle.
	Daher könnte ich für jede dieser Reihen eine Zeitreihen-Kreuzvalidierung verwenden, um eine Empfehlung zur Verwendung eines ARIMA-Modells oder eines Zustandsraum-Glättungsmodells für die Prognose zu erhalten.
	Aus Zeitgründen mache ich das nur für die erste Serie. Ich verwende einen Zeitraum von vier, da ich für diese Serie saisonale Modelle anpassen möchte. Ich klicke auf „Ausführen“.
	Ich werde also eine nicht saisonale Differenzierungsordnung von eins verwenden, aber alle anderen autoregressiven gleitenden Durchschnittsordnungen und die saisonale Differenzierungsordnung werde ich zwischen null und eins liegen lassen.
	Setzen Sie den Beobachtungszeitraum auf vier, da es sich um Quartalsdaten handelt. Wenn ich auf „Schätzen“ klicke, werden die 32 ARIMA-Modelle angepasst.
	in jeder der Zeitreihen-Kreuzvalidierungsgruppen. Das Add-In geht also dorthin, wo die Reihe N 691 ist.
	Es erweitert es in sechs verschiedene Zeitreihen-Kreuzvalidierungsgruppen. Es passt meine angeforderten ARIMA-Modelle an den Trainingssatz an. Die empfohlenen Zustandsraum-Glättungsmodelle passen sich dem Trainingssatz an.
	Auswahl des besten Modells durch AIC. Prognose in den Testsatz und Speicherung des Prognosefehlers.
	Ich werde ihm eine Sekunde Zeit geben, um fertig zu werden.
	Auf geht's.
	Und ich kann scrollen und die Ergebnisse anzeigen. Wie Sie der Tabelle entnehmen können, erzeugten die ARIMA-Modelle niedrigere RMSE-, MAE- und MAPE-Werte als die Modelle mit Zustandsraumglättung.
	Und aus dem Diagramm kann ich erkennen, dass die ARIMA-Modelle in allen Zeitreihen-Kreuzvalidierungsgruppen außer der letzten einen niedrigeren RMSE hatten
	als ein Zustandsraum-Glättungsmodell, und in der letzten Gruppe war es ziemlich dasselbe.
	Es handelt sich also erneut um eine Kreuzvalidierung von Zeitreihen und ich würde empfehlen, ein ARIMA-Modell zu verwenden, um eine Prognose für die Reihe N 691 zu erstellen. Und Sie können zu den anderen Reihen gehen und den Vorgang wiederholen und für diese könnte ein Zustandsraum-Glättungsmodell empfohlen werden.
	Ich beende die Demo mit der Demonstration einer weiteren Funktion des Add-Ins, die eigentlich nichts mit der Kreuzvalidierung von Zeitreihen zu tun hat.
	Ich habe Ihnen außerdem die Möglichkeit gegeben, mit dem Add-In einen Testsatz zur Auswertung der Prognose zu verwenden. Ich werde dies erneut anhand der Beispieldaten zu Stahllieferungen zeigen. Ich starte also mein Add-In. Okay, ich möchte die Stahllieferungen nach Datum prognostizieren.
	Nehmen wir an, ich möchte die nächsten zwei Jahre prognostizieren. Nehmen wir also 24 Prognosezeiträume und, wie bereits erwähnt, wenn Ihre Serie lang genug ist, können Sie für einen Holdback-Satz die Option „Prognose bei Holdback“ verwenden.
	um Modelle auszuwählen. Da ich das tue, muss ich die Zeitreihen-Kreuzvalidierung nicht wirklich verwenden. Ich kann also die Option Trainingstestsatz verwenden
	um ein unabhängiges Testset zur Bewertung des von mir gewählten Modells zu haben. Ich werde mich für eine Länge meines Testsets von 12 entscheiden.
	Das bedeutet, dass die letzten zwölf Zeilen meiner Daten vollständig aus meiner Analyse herausgenommen werden, sodass ich sie zur Bewertung meiner Prognoseleistung verwenden kann. Ich klicke also auf „OK“.
	Und Sie können sehen, dass ich der Tabelle eine weitere Spalte hinzugefügt habe. Es handelt sich lediglich um eine Indikatorspalte für den Testsatz, die den Wert Eins hat, wenn die Zeile im Testsatz enthalten ist, und den Wert Null hat, wenn nicht.
	Und diese Zeitreihenmodelle werden nur auf Zeilen angewendet, bei denen der Testsatz gleich Null ist. Dadurch kann ich die Unabhängigkeit des Testsatzes bewahren.
	Passen wir nun einige ARIMA-Modelle an diese Daten an. Ich verwende dieselben Kontrollen wie zu Beginn dieses Vortrags mit einer saisonalen und nicht saisonalen Differenzierungsordnung von eins, lasse aber alle anderen Ordnungen zwischen null und eins liegen.
	Ich klicke also auf „Schätzen“, um diese 16 verschiedenen saisonalen ARIMA-Modelle auszuführen, und passe auch die empfohlenen Glättungsmodelle für den Zustandsraum an.
	Ich scrolle also nach unten zum Modellvergleichsfenster und sehe, dass das Modell, das den mittleren quadratischen Fehler im Holdback-Set minimiert, das State Space Smoothing-Modell mit additivem Fehler, ohne Trend und additiver Saisonalität war.
	Nehmen wir an, ich bin auch nur daran interessiert, wie das ARIMA-Modell mit der besten Leistung im Testsatz abschneiden würde. Ich kann es ebenfalls auswählen.
	Und ich werde die anderen Modelle entfernen, die ich für Prognosen nicht mehr in Betracht ziehe.
	Ich habe also erneut die Option „Prognose bei Zurückhaltung“ verwendet. Daher würde ich dieses Zustandsraum-Glättungsmodell für die Prognose verwenden, bin aber einfach neugierig, wie das ARIMA-Modell im Testsatz abschneiden würde.
	Ich kann also nach unten zu meinem Testsatzanalysefeld scrollen. Und da ich die Option „Prognose bei Zurückhaltung“ verwendet habe, werden beide ausgewählten Modelle an die kombinierten Trainings- und Zurückhaltungsdaten angepasst, um die aktualisierten Parameter zu erhalten.
	Anschließend wird eine Prognose in den Testsatz erstellt und die Leistung der Prognose im Vergleich zu den tatsächlichen Testsatzdaten ausgewertet.
	Ich klicke also auf „Ausführen“, um die Analyse durchzuführen. Ich sehe, dass ich eine Tabelle mit den Testdaten RMSE, MAE und MAPE sowie ein Diagramm des Testdatensatzes im Vergleich zur Prognose habe.
	Ich sehe, dass das State Space Smoothing Model nicht nur im Holdback-Set, sondern auch im Test-Set eine bessere Leistung zeigte. Diese Test-Set-Analyseoption bietet Ihnen also ein Tool zur Bewertung der Leistung Ihrer Modellanpassung.
	Um es zusammenzufassen: Mit dem Add-In können Sie eine Kreuzvalidierung von Zeitreihen durchführen.
	Ich denke, dieses Add-In könnte für Sie nützlich sein, wenn Sie über Zeitreihendaten verfügen, die nicht lang genug sind, um die in JMP enthaltene Option „Prognose bei Zurückhaltung“ zu verwenden, Sie aber dennoch die Verwendung anderer Modellklassen in Betracht ziehen möchten.
	Das Add-In bietet Ihnen außerdem die Möglichkeit, einen Testsatz zur Auswertung der Prognose zu verwenden. Und, nur als Haftungsausschluss: Wie bei allen Modellauswahlmaßnahmen für Zeitreihendaten garantiert das Add-In keine genaueren Prognosen.
	Vielen Dank für Ihre Zeit. Ich hoffe, Sie probieren das Add-In aus und wünschen Ihnen viel Spaß mit dem Rest von Discovery. Vielen Dank.

Erweiterte statistische ModellierungGrundlegende Datenanalyse und -modellierungKonsumenten- und MarktforschungVersuchsplanungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzesstechnikZuverlässigkeitsanalyse