756828_ko-KR

liliconcom

어떤 예측을 사용해야 할까요? ARIMA 모델과 상태 공간 평활화 모델을 비교하는 추가 기능(2021-US-30MP-845)

Jacob Rhyne, JMP 수석 분석 소프트웨어 테스터

JMP의 시계열 플랫폼을 통해 사용자는 시계열 데이터를 탐색하고 미래 관측치를 예측할 수 있습니다. JMP 16에서는 두 가지 인기 모델 클래스인 ARIMA 모델과 상태 공간 평활화 모델을 모두 사용할 수 있습니다. JMP 사용자는 ARIMA 모델과 상태 공간 평활화 모델을 모두 적합하고 예측을 위해 하나의 모델을 선택하고자 할 수 있습니다. 그러나 ARIMA 모델과 ETS 모델 중에서 선택하는 것은 어려울 수 있습니다. 같은 클래스의 모델은 서로 비교할 수 있지만, ARIMA 모델과 상태 공간 평활화 모델은 AIC와 같은 모델 선택 기준을 사용하여 직접 비교할 수 없습니다. 사용자가 후보 ARIMA 모델과 상태 공간 평활화 모델을 선택하는 데 도움이 되는 추가 기능이 제공됩니다. 이 추가 기능을 사용하면 JMP 사용자는 시계열 교차 검증을 사용하여 모델 클래스를 비교하거나 테스트 세트를 사용하여 후보 모델을 평가할 수 있습니다. 이 프레젠테이션에서는 JMP의 ARIMA 모델과 상태 공간 평활화 모델에 대한 개요를 제공한 후, 추가 기능을 사용하여 예측에 사용할 모델을 추천하는 방법을 보여줍니다.

자동 생성된 대본...

스피커	성적 증명서
	안녕하세요, 이 글을 읽어주셔서 감사합니다. 저는 Jacob Rhyne입니다. JMP 소프트웨어 테스터입니다. 오늘은 JMP 시계열 플랫폼에서 ARIMA 모델과 상태 공간 평활화 모델 중 하나를 선택하는 데 도움이 되는 추가 기능을 소개해 드리겠습니다.
	따라서 시계열 플랫폼에서 ARIMA 및 상태 공간 평활화 모델을 적용하는 방법에 대한 간략한 개요부터 살펴보겠습니다.
	두 모델 클래스 중 하나를 선택하는 데 도움이 되는 추가 기능의 필요성을 소개하고, 추가 기능의 주요 도구인 시계열 교차 검증에 대한 개요를 설명하겠습니다. 마지막으로 JMP 16.1을 사용하여 추가 기능을 시연하는 것으로 마무리하겠습니다.
	JMP의 시계열 플랫폼을 사용하면 다양한 시계열 모델을 적용할 수 있습니다. 이 프레젠테이션에서는 ARIMA 모델과 상태 공간 평활화 모델을 중점적으로 다루며, 이 Steel Shipments 샘플 데이터를 사용하여 두 모델을 적용하는 방법을 보여드리겠습니다.
	강철 선적 샘플 데이터에는 1984년부터 1991년까지의 월별 미국 강철 선적 총계가 포함되어 있습니다. 그리고 특수 모델링 메뉴의 시계열 플랫폼을 사용하여 이를 살펴보겠습니다.
	철강 선적량 열은 시계열입니다. 날짜 열은 시간 ID입니다. 향후 2년간의 철강 선적량을 예측하는 데 관심이 있다고 가정해 보겠습니다. 월별 데이터이므로 24개의 예측 기간이 필요합니다. '확인'을 클릭하여 시계열 보고서를 시작합니다.
	시계열에 대한 플롯이 있고, 시계열의 몇 가지 기본 통계와 몇 가지 기본 시계열 진단이 있는 것을 볼 수 있습니다.
	이 시계열에 ARIMA 모형을 적용하고 싶은데, ARIMA 모형을 적용할 때 어떤 종류의 변환이나 차분을 적용해야 하는지 결정해야 합니다. 시계열 메뉴의 차분 옵션을 사용하여 이 문제를 살펴보겠습니다.
	비계절적 차이 1차부터 시작해서 추정을 클릭합니다.
	이제 차분 시계열 그래프가 생겼습니다. 좀 더 안정된 모습을 보이지만, 여전히 계절성이 있습니다. 진단 결과를 보면 이를 알 수 있습니다. 시차 12까지 내려가 보겠습니다.
	자기상관 값이 높고, 시차 12에 대한 부분 자기상관도 약간 높은 것을 알 수 있습니다. 따라서 비계절적 및 계절적 차분을 적용한 계절적 ARIMA 모형을 적합해야 함을 시사합니다.
	보고서를 깔끔하게 유지하기 위해 이 차이 보고서를 마무리하겠습니다. 그리고 ARIMA 모델 그룹 옵션을 사용하여 몇 가지 다른 ARIMA 모델을 적합해 보겠습니다.
	그래서 비계절 차분 차수 1과 계절 차분 차수 1을 갖는 계절 ARIMA 모형을 적합하기로 했습니다. 하지만 자기회귀 차수와 이동평균 차수는 0 또는 1로 두겠습니다.
	따라서 '추정'을 클릭하면 JMP가 16개의 계절별 ARIMA 모델을 적합할 것입니다. 모델 비교 창으로 스크롤하여 모델을 확인할 수 있습니다. 모델은 AIC를 기준으로 내림차순으로 정렬되어 있으므로 AIC를 최소화하는 모델을 선택하겠습니다.
	아래로 스크롤하여 모델과 보고서를 살펴보세요. 안정적이고 가역적인 것을 확인할 수 있습니다. 매개변수 추정치 표를 살펴보고 예측과 예측 간격을 확인해 보세요.
	이 모든 진단을 살펴본 후 이 계절적 ARIMA 모델을 예측 후보로 고려할 만큼 만족스러웠다고 가정해 보겠습니다.
	따라서 보고서에서 다른 계절별 ARIMA 모델을 제거하겠습니다.
	또한, 상태 공간 평활화 모델을 사용하여 예측을 생성하는 것도 고려하고 싶습니다. 이를 위해서는 시계열 메뉴에서 상태 공간 평활화 옵션을 사용하면 됩니다.
	기간은 12라고 해야 하는데, 이는 월별 데이터이고, 이 시계열에 대해 권장되는 모든 상태 공간 평활화 모델을 적용할 것입니다.
	"확인"을 클릭하여 실행해 보겠습니다. 모델 비교 보고서로 스크롤하면 JMP가 권장되는 모든 상태 공간 평활화 모델을 적합시킨 것을 확인할 수 있습니다. 다시 한번 AIC를 기준으로 내림차순으로 정렬되어 있습니다.
	따라서 AIC를 최소화하는 모델은 추세가 없고 승법적 계절성을 갖는 승법적 오차 모델이었습니다. 따라서 이 모델을 선택하겠습니다.
	모델 비교 개요에서 아래로 스크롤하여 모델 적합도를 살펴보세요.
	그래서 모델 요약을 살펴보고 매개변수 추정치 표를 살펴볼 수 있습니다.
	예측과 예측 간격을 볼 수 있습니다. 이 모든 진단을 검토한 결과, 이 상태 공간 평활화 모델이 예측 후보로 적합하다고 판단했다고 가정해 보겠습니다.
	따라서 다른 상태 공간 스무딩 모델을 내 모델과 모델 비교 창에서 제거하겠습니다.
	따라서 이제 질문은 내가 고려하고 있는 ARIMA 모델과 예측을 위해 고려하고 있는 상태 공간 평활화 모델 중 어떤 것을 선택해야 하는가입니다.
	서로 다른 모델 클래스 간에 가능성 기반 기준을 비교할 수 없다는 내용의 텍스트 경고가 표시되는 것을 볼 수 있습니다.
	즉, 단순히 스크롤해서 AIC를 보고 AIC가 낮으니 ARIMA 모델을 예측에 사용하겠다고 말할 수는 없습니다.
	그건 타당한 결정이 아닙니다. 그럼 어떻게 해야 할까요? JMP에 이미 옵션이 있습니다. 데이터가 충분히 길다면 말이죠.
	홀드백을 설정하려면 Time Series 플랫폼을 시작할 때 홀드백 옵션에 대한 예측을 사용하면 됩니다.
	이렇게 하면 훈련 세트에 사용한 모든 시계열 모델을 적용하게 됩니다. 그리고 모델 비교 창에서 AIC 기준으로 모델을 정렬하는 대신,
	이 기능은 홀드백 세트의 RMSE(제곱 평균 오차)를 기준으로 모델을 정렬하며, 홀드백 세트의 RMSE를 최소화하는 모델을 선택합니다.
	하지만 홀드백 세트를 사용하기에 데이터가 충분히 길지 않다면 홀드백 옵션에 대한 예측을 사용할 수 없으며, ARIMA 모델과 상태 공간 평활화 모델 중에서 선택하는 데 도움이 되는 다른 방법이 필요합니다.
	그리고 이를 위해.
	이것이 제가 추가 기능을 만든 이유입니다. 추가 기능은 시계열 교차 검증이라는 기능을 사용하여 선택을 도와줍니다.
	시계열 교차 검증은 본질적으로 시계열을 여러 개의 훈련 및 테스트 세트로 나누는데, 연속된 그룹이 있을 때마다 훈련 세트를 한 행씩 확장합니다.
	잠시 시계열 교차 검증에 대한 자세한 예를 들어보겠습니다. 하지만 이 방법을 제가 직접 고안한 것은 아니라는 점을 강조하고 싶습니다. 더 자세히 알고 싶으시다면,
	이 강연을 듣고 난 후, 저는 롭 하인드먼 박사의 예측 원칙과 실행에 관한 자료를 추천하고 싶습니다.
	하지만 시계열 교차 검증의 예를 살펴보겠습니다.
	저는 영화 팬이기 때문에 2021년 1월부터 7월까지의 북미 박스오피스 실적에 대한 데이터가 있다고 가정해 보겠습니다.
	그리고 ARIMA 모델이나 상태 공간 평활화 모델을 사용하여 향후 6주간의 박스오피스 성적을 예측하고 싶습니다. 그리고 어떤 예측을 사용할지 결정하기 위해 시계열 교차 검증을 사용하고 싶습니다.
	제가 언급했듯이 시계열 교차 검증은 데이터를 훈련 및 테스트 세트의 그룹으로 나누어서 진행하며, 훈련 세트를 한 행씩 확장하고 각 그룹을 연속적으로 확장합니다.
	그래서 초기 훈련 세트에 몇 개의 행을 넣을지 결정해야 합니다.
	기본적으로 제 추가 기능은 시계열 교차 검증 그룹을 6개로 구성합니다. 따라서 초기 학습 세트에 사용할 기본 행 개수가 제안되지만, 원하시면 변경할 수 있습니다.
	이 예제에서는 훈련 세트의 초기 행 수를 기본값인 17개로 유지하겠습니다.
	시계열 교차 검증 추가 기능을 실행하면 표준 시계열 보고서가 생성됩니다. 하지만 보고서 하단에 시계열 교차 검증 컨트롤에 대한 개요 상자가 추가됩니다.
	따라서 여기서는 초기 행 수를 지정해야 합니다. 초기 행 수는 첫 번째 학습 세트의 행 수이며, 관심 있는 예측 길이와 계절 모델을 적합시키려는 경우 기간을 지정해야 합니다.
	그래서 저는 6개의 서로 다른 시계열 교차 검증 그룹을 가질 수 있는 훈련 세트에서 17개 행의 기본값을 유지할 것입니다.
	앞으로 6주 동안의 박스오피스 실적을 예측하고 싶으므로 예측 기간을 6으로 설정하겠습니다. 그리고 이 특정 데이터에 계절 모델을 적용하지 않을 것이기 때문에 기간을 결측값과 동일하게 유지하겠습니다.
	그러면 첫 번째 시계열 교차 검증 그룹을 살펴보겠습니다.
	첫 번째 훈련 세트에는 17개의 행이 있고, 그 다음 6개의 행은 테스트 세트입니다.
	제 추가 기능은 제가 요청한 ARIMA 모델을 훈련 세트에 맞춰줍니다. 그리고 추천된 상태 공간 평활화 모델도 훈련 세트에 맞춰줍니다.
	AIC를 통해 각 클래스의 가장 좋은 모델을 선택하고, 선택된 모델 예측을 테스트 세트에 적용하여 예측 오류를 평가합니다.
	두 번째 시계열 교차 검증 그룹은 훈련 세트를 한 행만큼 확장할 것이므로 이제 내 훈련 세트는 다음과 같습니다.
	1행부터 18행까지이고, 그 다음 6행은 테스트 세트입니다. 그리고 첫 번째 시계열 교차 검증 그룹에서 했던 과정을 반복합니다.
	사용자가 요청한 ARIMA 모델을 모두 적용하고, 권장되는 상태 공간 평활화 모델을 적용합니다. AIC 예측을 기준으로 가장 적합한 모델을 테스트 세트에 선택하고 예측 오차를 저장합니다.
	모든 데이터를 사용할 때까지 이 과정을 계속합니다. 따라서 이 예제의 최종 시계열 교차 검증 그룹은 1행부터 22행까지를 훈련 세트로 사용하고, 나머지 데이터인 마지막 6행을 테스트 세트로 사용합니다.
	그래서 저는 모든 시계열 교차 검증 그룹에 대한 예측 오차를 저장하고 있다고 언급했습니다.
	추가 기능의 기능은 두 모델 클래스에 대한 전체 RMSE, MAE, MAPE를 보고하고 모든 시계열 교차 검증 그룹에 대한 RMSE 플롯을 제공하는 것입니다.
	이 표와 플롯을 사용하면 모든 모델을 예측에 적합시킬지, 아니면 상태 공간 평활화 모델 예측에 적합시킬지 결정하는 데 도움이 됩니다.
	이 데이터를 사용하여 추가 기능이 실제로 어떻게 활용되는지 살펴보겠습니다.
	그래서 Box Office Mojo에서 얻은 박스 오피스 데이터를 열고 이 데이터에 대한 시계열 플랫폼을 시작하는 스크립트를 실행할 것입니다. 시계열을 살펴보고 싶기 때문입니다.
	저는 매주 박스오피스의 평균 수익을 예측하고 있으며, 주가 지날수록 분산과 평균 수익이 커지는 것을 볼 수 있으므로 로그 변환을 수행하고 싶습니다.
	평균 총액으로. 평균 총액에 대한 로그 수식 열을 만들어서 할 수 있지만
	필수는 아닙니다. 이 추가 기능은 표준 시계열 플랫폼처럼 Box Cox 변환 기능을 제공합니다. 추가 기능을 실행하고, 면책 조항을 지나쳐 클릭하겠습니다. 앞으로 6주 동안 주별 박스오피스 평균 흥행 수익을 예측하고 싶습니다.
	그리고 평균 총이익에 로그 변환을 적용하고 싶으므로 람다를 0으로 설정한 Box Cox 변환을 사용하겠습니다.
	그리고 확인을 클릭합니다.
	그러면 Box Cox 변환된 반응에 대한 표준 시계열 보고서가 시작됩니다. 이 빨간색 삼각형 메뉴를 통해 JMP에서 사용할 수 있는 모든 종류의 시계열 모델을 적용할 수 있습니다.
	하지만 대신 보고서 하단으로 내려가서 시계열 교차 검증을 사용하여 ARIMA 모델과 상태 공간 평활화 모델 중 어떤 것을 적합해야 할지에 대한 권장 사항을 얻으려고 합니다.
	초기 행을 17로 유지하겠습니다. 그러면 이전 예제에서 보여드린 6개의 시계열 교차 검증 그룹이 생성되기 때문입니다.
	앞으로 6주간의 박스오피스 매출을 예측하고 싶으므로 예측 길이를 6으로 유지하고, 이 예시에서는 기간을 누락 기간과 동일하게 유지할 것입니다.
	'실행'을 클릭하고 각 시계열 교차 검증 그룹에 어떤 ARIMA 모델을 적용할지 입력해야 합니다. 따라서 비계절적 차분을 1로 설정하고, 자기회귀 및 이동 평균 차수는 0 또는 1로 설정하기로 했습니다.
	따라서 '추정'을 클릭하면 모든 시계열 교차 검증 그룹이 이 4가지 ARIMA 모델과 권장되는 상태 공간 평활화 모델에 맞춰집니다.
	그래서 '추정'을 클릭합니다. 추가 기능이 하는 일은 이 데이터 세트를 6개의 시계열 교차 검증 그룹으로 확장하여 요청된 모델을 훈련 세트에 맞추고 예측을 테스트 세트에 적용하고 예측 오류를 저장하는 것입니다.
	아래로 스크롤하여 결과를 확인해 보겠습니다. 표에서 ARIMA 모델이 전반적으로 상태 공간 평활화 모델보다 RMSE, MAE, MAPE가 낮다는 것을 알 수 있습니다. 그리고 플롯을 보면
	ARIMA 모델이 모든 시계열 교차 검증 그룹에서 더 낮은 RMSE를 생성하는 것을 볼 수 있습니다.
	따라서 이 추가 기능은 상태 공간 평활화 모델 대신 ARIMA 모델을 사용하여 이 데이터에 대한 예측을 생성할 것을 권장합니다. 따라서 빨간색 삼각형 메뉴로 이동하여 ARIMA 모델 그룹 옵션을 사용하여 ARIMA 모델을 적용할 수 있습니다.
	추가 기능의 또 다른 예를 살펴보겠습니다. 이 다음 예를 실행하기 위해 MC3 분기별 샘플 데이터의 하위 집합을 사용하려고 합니다.
	MC3 분기별 샘플 데이터에는 MC3 모델링 경진대회에서 사용된 100개가 조금 넘는 시계열 데이터가 포함되어 있습니다. 이 시계열은 모두 분기별입니다.
	이 데이터 세트에는 다양한 시계열이 매우 많이 포함되어 있기 때문에 흥미로운 데이터 세트라고 생각합니다. 하지만 이번 발표에서는 시간적인 이유로 표에서 세 개의 시계열 중 무작위로 일부만 선택했습니다.
	그러면 추가 기능을 실행해 보겠습니다.
	런처를 설정하세요. Y 열은 시계열이고, time은 시간 ID입니다. 여러 시계열에 대한 데이터가 있으므로 시계열 열에 '기준' 옵션을 사용해야 합니다. 다시 한번 향후 2년을 예측하고 싶다고 가정해 보겠습니다. 따라서 8개의 예측 기간을 입력하고 '확인'을 클릭합니다.
	예상하셨겠지만, 이렇게 하면 테이블에 있는 각 계열에 대한 시계열 보고서가 나타납니다. 또한, 테이블에 있는 각 계열에 대한 시계열 교차 검증 제어도 있습니다.
	따라서 각 시계열에 대한 시계열 교차 검증을 통해 예측을 위해 ARIMA 모델이나 상태 공간 평활화 모델을 사용하는 것에 대한 권장 사항을 얻을 수 있었습니다.
	시간 절약을 위해 첫 번째 시리즈에 대해서만 이 작업을 수행하겠습니다. 이 시리즈에 계절 모델을 적용하고 싶으므로 기간을 4로 설정하겠습니다. '실행'을 클릭합니다.
	따라서 비계절적 차이 차수 1을 사용하겠지만, 다른 모든 자기회귀 이동 평균 차수와 계절적 차이 차수는 0에서 1 사이의 범위를 두겠습니다.
	관찰 기간을 4로 설정하세요. 다시 말하지만, 이건 분기별 데이터입니다. 따라서 '추정'을 클릭하면 32개의 ARIMA 모델에 맞춰집니다.
	각 시계열 교차 검증 그룹에서. 따라서 추가 기능은 시계열이 N 691인 곳으로 이동합니다.
	6개의 서로 다른 시계열 교차 검증 그룹으로 확장하고 있습니다. 요청한 ARIMA 모델을 학습 세트에 적용하고 있습니다. 권장되는 상태 공간 평활화 모델을 학습 세트에 적용하고 있습니다.
	AIC를 통해 최적의 모델을 선택합니다. 테스트 세트에 예측을 적용하고 예측 오차를 저장합니다.
	잠시 기다려서 끝내겠습니다.
	시작합니다.
	스크롤해서 결과를 볼 수 있습니다. 표에서 볼 수 있듯이 ARIMA 모델은 상태 공간 평활화 모델보다 RMSE, MAE, MAPE가 낮았습니다.
	그리고 플롯에서 볼 수 있듯이 마지막 시계열 교차 검증 그룹을 제외한 모든 그룹에서 ARIMA 모델의 RMSE가 더 낮았습니다.
	상태 공간 평활화 모델보다 더 나았고, 마지막 그룹에서도 거의 비슷했습니다.
	다시 한번 시계열 교차 검증을 실시하고, N 691 시계열에 대한 예측을 생성하기 위해 ARIMA 모델을 사용하는 것이 좋습니다. 그리고, 다른 시계열로 가서 이 과정을 반복할 수 있으며, 이 경우 상태 공간 평활화 모델을 권장할 수 있습니다.
	그럼 마지막으로 추가 기능의 또 다른 기능이 실제로 시계열 교차 검증과 관련이 없다는 것을 보여드리면서 데모를 마치겠습니다.
	또한 추가 기능을 사용하여 예측을 평가할 수 있는 테스트 세트를 제공해 드렸으며, Steel Shipments 샘플 데이터를 사용하여 다시 보여드리겠습니다. 이제 추가 기능을 실행해 보겠습니다. 좋아요, 날짜별 철강 선적량을 예측해 보겠습니다.
	다음 2년을 예측하고 싶다고 가정해 보겠습니다. 24개의 예측 기간을 사용하고 앞서 언급했듯이 시리즈가 충분히 길다면 홀드백 세트에 대해 홀드백 옵션에 대한 예측을 사용할 수 있습니다.
	모델을 선택하기 위해서입니다. 그래서 저는 시계열 교차 검증을 사용할 필요가 없습니다. 그래서 학습 테스트 세트 옵션을 사용할 수 있습니다.
	내가 선택한 모델을 평가하기 위해 독립적인 테스트 세트를 갖도록 하겠습니다. 테스트 세트의 길이를 12로 정하겠습니다.
	즉, 마지막 12개 행의 데이터를 분석에서 완전히 제외하여 예측 결과를 평가하는 데 사용할 수 있습니다. "확인"을 클릭합니다.
	테이블에 또 다른 열을 추가한 것을 보실 수 있습니다. 이 열은 테스트 세트를 나타내는 지표 열로, 해당 행이 테스트 세트에 포함되면 1, 포함되지 않으면 0입니다.
	그리고 이 시계열 모델은 테스트 세트가 0인 행에만 적합합니다. 이를 통해 테스트 세트의 독립성을 유지할 수 있습니다.
	자, 이 데이터에 ARIMA 모형을 적용해 보겠습니다. 이 강연 초반에 사용했던 것과 동일한 통제 변수를 사용했는데, 계절별 및 비계절별 차분 차수는 1이고, 다른 모든 차수는 0에서 1 사이의 값을 갖도록 설정했습니다.
	따라서 16개의 다른 계절별 ARIMA 모델을 실행하기 위해 추정을 클릭하고, 권장되는 상태 공간 평활화 모델도 맞춰보겠습니다.
	따라서 모델 비교 창으로 스크롤하면 홀드백 세트에서 평균 제곱근 오차를 최소화하는 모델이 추세가 없고 가산 오차가 있는 상태 공간 평활화 모델이며 가산 계절성이 있는 것을 볼 수 있습니다.
	테스트 세트에서 가장 성능이 좋은 ARIMA 모델이 어떤 성능을 보일지 궁금하다고 가정해 보겠습니다. 해당 모델을 선택할 수도 있습니다.
	그리고 더 이상 예측에 고려하지 않는 다른 모델은 제거하겠습니다.
	그래서 다시 한번 홀드백 옵션에 대한 예측을 사용했으므로 예측에 이 상태 공간 평활화 모델을 사용할 것입니다. 하지만 ARIMA 모델이 테스트 세트에서 어떤 성능을 보일지 궁금합니다.
	테스트 세트 분석 상자로 스크롤 다운할 수 있습니다. 그리고, 여기서는 '홀드백 예측' 옵션을 사용했기 때문에, 선택된 두 모델을 모두 학습 데이터와 홀드백 데이터를 합친 데이터에 다시 맞춰서 업데이트된 매개변수를 얻습니다.
	그런 다음 테스트 세트에 대한 예측을 수행하고 실제 테스트 세트 데이터와 비교하여 예측이 어떻게 수행되는지 평가합니다.
	그러면 '실행'을 클릭하여 분석을 실행하겠습니다. 그러면 테스트 세트의 RMSE, MAE, MAPE 표와 예측값과 비교한 테스트 세트의 플롯이 표시되는 것을 볼 수 있습니다.
	상태 공간 평활화 모델이 홀드백 세트뿐만 아니라 테스트 세트에서도 더 나은 성능을 보였다는 것을 알 수 있습니다. 따라서 이 테스트 세트 분석 옵션은 모델 적합도를 평가하는 도구일 뿐입니다.
	요약하자면, 이 추가 기능을 사용하면 시계열 교차 검증을 수행할 수 있습니다.
	JMP에 있는 보류 예측 옵션을 사용하기에는 너무 짧은 시계열 데이터가 있지만, 여전히 다른 모델 클래스를 사용하는 것을 고려하고 싶은 경우 이 추가 기능이 유용할 수 있다고 생각합니다.
	이 추가 기능은 테스트 세트를 사용하여 예측을 평가할 수 있는 기능도 제공합니다. 단, 시계열 데이터에 대한 모든 모델 선택 측정값과 마찬가지로, 이 추가 기능은 더 정확한 예측을 보장하지 않습니다.
	시간 내주셔서 정말 감사합니다. 추가 기능을 사용해 보시고 Discovery의 나머지 부분도 즐겁게 이용하시기 바랍니다. 정말 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석