Peng Liu, JMP 수석 연구 통계 개발자, SAS
Jian Cao, SAS의 JMP 수석 시스템 엔지니어
이 발표에서는 두 가지 시계열 관련 플랫폼의 주요 업데이트에 대한 포괄적인 검토를 제공합니다. 특히, 예측 성과 기반 모델 선택 방법, 최근 추가된 상태 공간 평활화 모델 연구를 위한 향상된 기능, 그리고 Box-Cox 변환 시계열을 이용한 분석 기능이 업데이트되었습니다. 새로운 기능의 흥미로운 활용 사례를 발굴하기 위한 개발 노력의 배경을 설명하고, 이러한 새로운 기능의 다양한 활용 가능성을 보여주는 몇 가지 사례를 제시합니다. JMP 16은 시계열 플랫폼의 주요 업그레이드입니다. 이러한 새로운 기능을 탑재한 JMP는 시계열 분석 분야에서 다양하고 흥미로운 새로운 발견을 가능하게 할 것입니다.
자동 생성된 대본...
| 스피커 |
성적 증명서 |
| |
이 강연은 몇 가지를 강조하기 위한 것입니다. |
| 00 |
11,600 |
| |
3 |
| |
시계열 플랫폼. 세 가지가 있습니다. |
| |
시계열 플랫폼 및 |
| 00 |
34.700 |
| |
38.400 |
| |
10 |
| |
11 |
| |
12 |
| |
박스 콕스가 필요한가요? |
| |
변화된 시계열? |
| |
데이터를 살펴보자 |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
항공사로도 알려짐 |
| |
승객 데이터 세트. |
| |
원래 시리즈는 |
| 00 |
23,900 |
| |
23 |
| |
모델에서. |
| |
왜 그럴까요? 줄거리를 살펴보죠... |
| 00 |
43.433 |
| |
27 |
| |
점점 더 커지고 있어요. 그리고 이 시리즈는 |
| |
에 의해 처리될 수 없습니다 |
| 00 |
01.666 |
| |
31 |
| |
두 번째 사진에서. 그래서 |
| |
변화는 변하지 않는다 |
| |
다양한 시계열로 ??? |
| 00 |
20.266 |
| |
36 |
| |
그래서 문학에서 사람들은 |
| |
말하자면, 우리는 변화할 것입니다 |
| 00 |
33,800 |
| |
38.700 |
| |
41 |
| |
42 |
| |
43 |
| |
이 경우 변환 규모의 |
| |
여기는 로그 눈금이에요. |
| |
역으로 전송 |
| 00 |
04.366 |
| |
49 |
| |
변환. |
| |
과거에...과거에 |
| 00 |
21.966 |
| |
53 |
| |
전체 과정을 간소화합니다. |
| |
당신이 해야 할 일은 넣는 것입니다 |
| 00 |
39.133 |
| |
57 |
| |
모델을 만들어야 해요 |
| |
예측 후 소프트웨어 |
| 00 |
55.933 |
| |
61 |
| |
Y에 승객 로그를 넣습니다. |
| |
하지만 이제 우리는 그럴 필요가 없습니다. 우리는 |
| 00 |
15.033 |
| |
66 |
| |
박스 콕스에 들어가려면 |
| |
변환 매개변수 람다. |
| |
0은 로그라는 뜻이에요 |
| 00 |
28.333 |
| |
31.166 |
| |
37.433 |
| |
73 |
| |
빨간색 삼각형 메뉴를 클릭하세요 |
| |
ARIMA 또는 계절 ARIMA. |
| 00 |
01.766 |
| |
78 |
| |
계절별 12개. |
| |
가로채지 마세요. 클릭하세요. |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
예측을 돌보다 |
| |
역변환. |
| 00 |
49,600 |
| |
91 |
| |
이것에 나타날 것입니다. |
| |
줄거리와 예측이 있었다 |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
모델은 시간의 일꾼이다 |
| |
시리즈 예측 플랫폼. |
| |
그들은 많은 것을 맞추고 예측할 수 있습니다 |
| 00 |
35.733 |
| |
39.633 |
| |
104 |
| |
성능은 어느 정도 비슷하다 |
| |
예측에 |
| 00 |
59.366 |
| |
110 |
| |
111 |
| |
왜 이런 유형인지 연구해보세요. |
| |
모델 작업의 종류와 그 이유 |
| 00 |
18,600 |
| |
115 |
| |
116 |
| |
시계열에 유형 모델 추가 |
| |
설계된 플랫폼 |
| 00 |
43,900 |
| |
120 |
| |
미지의 함수 |
| |
상태, 관찰되지 않는 상태. 여기에서 |
| 00 |
01.000 |
| |
124 |
| |
변수와 오차항 |
| |
덧셈 연산을 통해 |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
상태는 레벨 상태 시간입니다 |
| |
시리즈. 추세 상태는 다음을 형성합니다. |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
상태, 그리고 또한 다음 중 하나 |
| |
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 가리키고 |
| |
화살표가 더 있어요... |
| |
상태 전환이 현재보다 더 많습니다. |
| 00 |
49.700 |
| |
152 |
| |
시리즈를 Y로 입력하고 확인을 클릭합니다. |
| |
이 유형의 모델에 맞추려면 |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
설정, 12를 입력할게요 |
| |
기간 동안. |
| |
그리고 선택을 클릭할 거예요 |
| |
추천 버튼. |
| |
가산 오차 모델과 |
| 00 |
47.666 |
| |
169 |
| |
이 특정 세트는 내가 갈 거야 |
| |
제약 조건 매개변수를 클릭하려면 |
| 00 |
05.966 |
| |
173 |
| |
이에 맞는 권장 모델 |
| |
...이러한 시계열의 유형과 |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
더 작은 AIC를 갖춘 모델 |
| |
내 눈은 첫 번째 두 개에 집중되어 있다 |
| 00 |
52.300 |
| |
184 |
| |
모델. 그리고 나에게 |
| |
예보를 오버레이하다 |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
원래 시계열에서 |
| |
더 좋게. |
| |
그래서 내 선호도는 다음과 같습니다. |
| 00 |
45.133 |
| |
198 |
| |
차이점이 뭐죠? 열어볼게요 |
| |
첫번째 MAA...MAM. |
| |
아래로 내려가자. 이거 |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| 이거 |
구성 요소 상태. |
| |
이것은 이것에 대한 특별함입니다 |
| 00 |
32.900 |
| |
209 |
| |
첫 번째 글자. |
| |
그리고 그 추세는 다음과 같이 추가됩니다. |
| 00 |
50.233 |
| |
213 |
| |
이 보고서의 두 번째 부분은 다음과 같습니다. |
| |
...는 상태 구성 요소입니다 |
| 00 |
06.100 |
| |
217 |
| |
일부는 예측이다 |
| |
이 특정 상태. |
| |
시계열의 기간 |
| 00 |
27.500 |
| |
222 |
| |
223 |
| |
증가하는 패턴을 가지고 있습니다 |
| |
과거. 계속 늘어나고 있어 |
| 00 |
48.266 |
| |
227 |
| |
시리즈와 패턴은 계속됩니다 |
| |
미래를 향해, 그리고 이것 |
| 00 |
03.466 |
| |
231 |
| |
관찰되었지만 예측은 |
| |
평평해요. 이게 좀 불편했어요. |
| |
이제 두 번째를 살펴보겠습니다. |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
상태 구성 요소 그래프. 수준은 |
| |
과거에 증가했던 |
| 00 |
44.366 |
| |
48.466 |
| |
245 |
| |
246 |
| |
247 |
| |
248 |
| |
미래입니다. 이것이 더 합리적입니다 |
| |
내가 받아들일 수 있는 줄거리. 그렇죠 |
| 00 |
14.866 |
| |
252 |
| |
두 번째 슬라이드로 넘어가겠습니다. |
| |
이 슬라이드와 다음 슬라이드 |
| 00 |
45.100 |
| |
259 |
| |
예측을 해석하는 것에 관하여 |
| |
이 모델에서...이 유형의 |
| |
모델. 여기에 내가 원하는 것이 있습니다 |
| 00 |
01.933 |
| |
07.233 |
| |
265 |
| |
그중 절반을 여기에 나열했습니다. |
| |
아, 거의 절반이네요. 그럼 집중해 볼까요? |
| 00 |
27.033 |
| |
30.800 |
| |
271 |
| |
일부 증가 추세가 있을 것입니다 |
| |
끝으로 갈수록 점점 가늘어진다. |
| |
그리고 반면에 우리는 할 수 있습니다 |
| 00 |
54.233 |
| |
277 |
| |
이것을 사용하여 예측을 확인하세요 |
| |
유형 모델입니다. 계절성이 있는 경우 |
| |
관여하지 않습니다. 내가 |
| 00 |
11.066 |
| |
14.200 |
| |
19.566 |
| |
284 |
| |
285 |
| |
286 |
| |
첫 번째는 이거예요 |
| |
계절성이 있는 경우 평평한 예측 |
| 00 |
46.833 |
| |
51.266 |
| |
291 |
| |
선형적으로 증가하다 |
| |
패턴 등등 |
| |
다른 것들과 비슷해요. 지금 |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
단지 증가하고 있을 뿐입니다. |
| |
적용 후 |
| 00 |
34.033 |
| |
302 |
| |
곱셈 계절성에 대한 |
| |
우리의 증가하는 꼭대기 |
| 00 |
48.966 |
| |
306 |
| |
이 유형...다른 유형의 |
| 모양 |
평평한 |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
우리는 다른...다른 것을 얻습니다 |
| |
모양입니다. 그래서 저는 다시 ???에 들어갑니다. |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
우리가 결국 보는 것 |
| |
예보. |
| |
당신은 평평한 패턴을 가지고 있거나 |
| 00 |
00.733 |
| |
323 |
| |
매개변수. 그래서 분리했어요 |
| |
이 부분들과 나도 |
| 00 |
14.866 |
| |
20.400 |
| |
328 |
| |
329 |
| |
330 |
| |
추세는 일반적으로 평평해 보일 것입니다. |
| |
우리는 증가할 것이다 |
| |
레벨 상태의 패턴. |
| |
선형일 때 |
| |
휘어져 있을 때. |
| |
그것은 모두 이것이 어떻게 되는지에 달려 있습니다 |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
증가하거나 감소하다 |
| |
기하급수적으로 증가합니다. 그래서 이것은 |
| 00 |
13.466 |
| |
343 |
| |
마른 체형이라고 생각해보세요 |
| |
복리이자율 |
| |
레벨 상태가 증가하면 |
| 00 |
32.466 |
| |
348 |
| |
그들은 예측을 하고, 시도합니다... |
| |
너무 과하지 않도록 노력하세요 |
| |
또는 예측보다 낮게 측정 |
| 00 |
59.833 |
| |
355 |
| |
해석하는 방법 |
| |
주에서의 예보 |
| 00 |
20.133 |
| |
359 |
| |
두 번째, 이 중 어느 것도 아니다 |
| |
모델은 고정되어 있습니다. |
| 00 |
37.466 |
| |
364 |
| |
따라서 이러한 사항을 고려하고 있다면 |
| |
시계열. 사물 |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
세 번째, 당신이 그냥 본다면 |
| |
그 시계열은 아니다 |
| 00 |
12,000 |
| |
373 |
| |
374 |
| |
...의 결과 |
| |
다음 슬라이드에 맞는다 |
| 00 |
31.933 |
| |
378 |
| |
유형별로 비교하다 |
| |
모델 조심하세요. |
| |
이 슬라이드는 ...을 보여드립니다. |
| 00 |
51.800 |
| |
383 |
| |
예측입니다. |
| |
그리고 마찬가지로 나는 내 계획을 세운다. |
| 00 |
07.400 |
| |
387 |
| |
이러한 유형의 상태 공간을 적용합니다 |
| |
모델을 정지 상태로 평활화 |
| |
시계열? 여기서 나는 시뮬레이션합니다 |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
이 시계열에 대한 모델 |
| |
가장 좋은 모델은 다음과 같습니다. |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
그것은 매우 다르기 때문에 |
| |
랜덤 워크 모델과 |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
이 프레젠테이션의 특징 |
| |
보류에 대한 예측. |
| |
이 기능을 사용하면 |
| 00 |
37.966 |
| |
40.500 |
| |
45.833 |
| |
415 |
| |
416 |
| |
417 |
| |
418 |
| |
하나는 다른 모델에서 가져온 것입니다. |
| |
그리고 이것을 비교할 수 있습니다 |
| 00 |
11.833 |
| |
423 |
| |
424 |
| |
이 기능을 활성화하려면. 그런 다음 |
| |
지정해야 함 |
| |
홀드백의 길이 |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
추천 선택을 클릭하세요. |
| |
그리고 제약조건을 확인하세요 |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
시리즈의 일부, |
| |
우리는 보류 사항을 나열했습니다 |
| 00 |
26,000 |
| |
443 |
| |
444 |
| |
기본적으로는 가능하지만 |
| |
항상 측정 항목을 변경하세요 |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
보고서는 다음과 유사합니다 |
| |
분석에서 얻은 것 |
| |
이것을 활성화하지 않고도 결과가 나타납니다. |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
요약하자면 |
| |
우리가 배운 것 |
| 00 |
25.566 |
| |
459 |
| |
홀드백에 대한 성능 |
| |
데이터. 하지만 그 기준은 |
| 00 |
41.366 |
| |
463 |
| |
과정입니다. 우리는 오히려 |
| |
우리가 사용하는 방식과 다릅니다 |
| 00 |
57.700 |
| |
467 |
| |
모델 피팅의 일부 |
| |
프로세스이므로 이것은 무언가입니다 |
| 00 |
17,000 |
| |
471 |
| |
평가를 보류하다 |
| |
다양한 모델 기반 |
| |
예측 성과. 그래서 우리는 |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
열은 시계열입니다 |
| |
지표. Y는 시계열입니다. |
| 00 |
55.666 |
| |
482 |
| |
데이터 세트를 요약합니다. |
| |
시간 또는 시계열에 의해 |
| 00 |
09.533 |
| |
12.066 |
| |
16,600 |
| |
488 |
| |
489 |
| |
사양 또는 변경 |
| |
모델 선택 전략, 우리 |
| 00 |
39.200 |
| |
494 |
| |
확인...선택 사항을 변경하세요 |
| |
예측을 위한 첫 번째 콤보 상자 |
| |
성능. 그런 다음 선택할 수 있습니다 |
| |
예측 성과 |
| 00 |
04.633 |
| |
500 |
| |
우리는 예보를 원합니다. 하지만 당신은 할 수 있습니다 |
| |
아무거나 선택하세요... 아무거나로 변경하세요 |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
훈련을 사용하여 |
| |
시계열, 가장 좋은 것을 선택하세요 |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
시리즈 플랫폼. 먼저 분석하세요 |
| |
박스 콕스는 시계열을 변형했습니다. |
| |
두 번째는 핏 상태입니다 |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
또한 그것을 사용하여 |
| |
그리고 모델 선정 방법. |
| |
매우 감사합니다. |
