JMP® 16 时间序列平台更新 (2021-EU-45MP-745) 刘鹏，JMP首席研究统计师，SAS
曹建，SAS JMP 首席系统工程师
本次演讲将全面回顾两个时间序列相关平台的重大更新。具体而言，这些更新包括基于预测绩效的模型选择方法、用于研究新添加的状态空间平滑模型的增强函数，以及使用 Box-Cox 变换时间序列的分析功能。我们将解释开发这些新功能背后的动机，以帮助识别新功能的有趣用例。我们将通过几个示例来说明这些新功能的众多用途。JMP 16 代表了时间序列平台的一次重大升级。凭借这些新功能，JMP 为时间序列分析领域许多引人入胜的新发现打开了大门。
自动生成的成绩单...
| 扬声器 |
抄本 |
| |
本次演讲将重点介绍一些 |
| 00 |
11.600 |
| |
3 |
| |
时间序列平台。其中三个是 |
| |
来自时间序列平台和 |
| 00 |
34.700 |
| |
38.400 |
| |
10 |
| |
11 |
| |
12 |
| |
我们需要 Box Cox 吗 |
| |
转换时间序列？ |
| |
让我们看一下数据 |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
也被称为航空公司 |
| |
乘客数据集。 |
| |
原始系列是 |
| 00 |
23.900 |
| |
23 |
| |
模型来自。 |
| |
为什么？我们来看一个情节…… |
| 00 |
43.433 |
| |
二十七 |
| |
越来越大。而这个系列 |
| |
无法处理 |
| 00 |
01.666 |
| |
31 |
| |
在第二张图片中。所以 |
| |
变化没有改变 |
| |
与各种时间序列??? |
| 00 |
20.266 |
| |
三十六 |
| |
因此在文学作品中人们会 |
| |
说，好吧，我们将改变 |
| 00 |
33.800 |
| |
38.700 |
| |
41 |
| |
四十二 |
| |
43 |
| |
变换尺度，在这种情况下 |
| |
这里，它是对数刻度。 |
| |
将其发送到逆 |
| 00 |
04.366 |
| |
49 |
| |
转换。 |
| |
过去……过去 |
| 00 |
21.966 |
| |
53 |
| |
简化整个流程。 |
| |
你需要做的是把 |
| 00 |
39.133 |
| |
57 |
| |
需要做模型，制作 |
| |
预测，然后是软件， |
| 00 |
55.933 |
| |
61 |
| |
将把木桩乘客放入 Y， |
| |
但现在我们不必这么做。我们 |
| 00 |
15.033 |
| |
66 |
| |
进入 Box Cox |
| |
变换参数 Lambda。 |
| |
零，这意味着它是一个日志 |
| 00 |
28.333 |
| |
31.166 |
| |
37.433 |
| |
73 |
| |
红色三角形菜单并点击 |
| |
ARIMA 或季节性 ARIMA。 |
| 00 |
01.766 |
| |
78 |
| |
季节性部分为 12。 |
| |
不拦截。点击 |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
预测照顾 |
| |
逆变换。 |
| 00 |
49.600 |
| |
91 |
| |
将会在此展现。 |
| |
情节和预测 |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
模型是及时的主力 |
| |
系列预测平台。 |
| |
它们可以拟合和预测很多 |
| 00 |
35.733 |
| |
39.633 |
| |
104 |
| |
性能在某种程度上是可比的 |
| |
预测 |
| 00 |
59.366 |
| |
110 |
| |
111 |
| |
研究为什么它...为什么这种类型 |
| |
模型作品以及为什么一些 |
| 00 |
18.600 |
| |
115 |
| |
116 |
| |
将模型输入到时间序列中 |
| |
该平台旨在 |
| 00 |
43.900 |
| |
120 |
| |
未知函数 |
| |
状态，未观察状态。这里 |
| 00 |
01.000 |
| |
124 |
| |
变量和误差项 |
| |
通过加法运算 |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
状态是级别状态时间 |
| |
系列。趋势状态形成 |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
州，也是 |
| |
之前的季节状态。以及 |
| 00 |
59.733 |
| |
03.133 |
| |
140 |
| |
141 |
| |
先前的趋势状态将 |
| |
转向下一个。 |
| |
趋势状态和水平状态 |
| 00 |
25.966 |
| |
146 |
| |
指向另一个时间点。并且 |
| |
还有更多箭头…… |
| |
状态转换比 |
| 00 |
49.700 |
| |
152 |
| |
系列变成 Y 并单击确定。 |
| |
为了适应这种类型的模型，我们 |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
设置，我要输入 12 |
| |
一段时期。 |
| |
我要点击“选择” |
| |
推荐按钮。 |
| |
从加性误差模型和 |
| 00 |
47.666 |
| |
169 |
| |
这套特别的套装，我要 |
| |
单击约束参数 |
| 00 |
05.966 |
| |
173 |
| |
推荐适合这些的模型 |
| |
这些时间序列的类型和 |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
具有较小 AIC 的模型 |
| |
我关注的是前两个 |
| 00 |
52.300 |
| |
184 |
| |
模型。让我 |
| |
叠加预测 |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
从原始时间序列 |
| |
更好。 |
| |
所以按照我的偏好，我会 |
| 00 |
45.133 |
| |
198 |
| |
有什么区别？让我打开 |
| |
第一个 MAA...MAM。 |
| |
我们继续往下看。这 |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| 这个 |
组件状态。 |
| |
这是特别的 |
| 00 |
32.900 |
| |
209 |
| |
第一个字母。 |
| |
趋势是加性的 |
| 00 |
50.233 |
| |
213 |
| |
本报告的第二部分是 |
| |
……是国家组成部分 |
| 00 |
06.100 |
| |
217 |
| |
部分是预测 |
| |
这个特定的状态。 |
| |
时间序列的周期 |
| 00 |
27.500 |
| |
222 |
| |
223 |
| |
呈上升趋势 |
| |
过去。它不断增加 |
| 00 |
48.266 |
| |
227 |
| |
系列和模式继续 |
| |
面向未来，而这 |
| 00 |
03.466 |
| |
231 |
| |
观察到，但预测是 |
| |
平的。这让我很困扰。 |
| |
现在让我们看看第二个 |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
状态组件图。级别是 |
| |
过去曾增加 |
| 00 |
44.366 |
| |
48.466 |
| |
245 |
| |
246 |
| |
247 |
| |
248 |
| |
未来。这更合理 |
| |
我可以接受的情节。 |
| 00 |
14.866 |
| |
252 |
| |
转到第二张幻灯片。 |
| |
这张幻灯片和下一张 |
| 00 |
45.100 |
| |
259 |
| |
关于预测的解读 |
| |
从这个模型...这种类型的 |
| |
模型。在这里我想 |
| 00 |
01.933 |
| |
07.233 |
| |
265 |
| |
起来。我在这里列出了其中一半。 |
| |
哦，差不多一半了。所以，我们集中精力 |
| 00 |
27.033 |
| |
30.800 |
| |
271 |
| |
一些增加的趋势， |
| |
逐渐变细。 |
| |
另一方面，我们可以 |
| 00 |
54.233 |
| |
277 |
| |
从预测中可以看出 |
| |
类型模型。如果季节性 |
| |
不涉及。当我 |
| 00 |
11.066 |
| |
14.200 |
| |
19.566 |
| |
284 |
| |
285 |
| |
286 |
| |
第一个，这是 |
| |
如果季节性 |
| 00 |
46.833 |
| |
51.266 |
| |
291 |
| |
呈线性增长 |
| |
模式等等 |
| |
和其他的类似。现在 |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
它只是在增加。 |
| |
申请后 |
| 00 |
34.033 |
| |
302 |
| |
乘性季节性 |
| |
我们不断增长的 |
| 00 |
48.966 |
| |
306 |
| |
这种类型...不同类型的 |
| 形状 |
平坦的 |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
我们得到那些不同的...不同的 |
| |
形状。所以我重新进入??? |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
我们最终看到的 |
| |
預測。 |
| |
你有平面图案或 |
| 00 |
00.733 |
| |
323 |
| |
参数。所以我分开了 |
| |
这些部分，还有我 |
| 00 |
14.866 |
| |
20.400 |
| |
328 |
| |
329 |
| |
330 |
| |
趋势通常看起来是平缓的， |
| |
我们将获得增加 |
| |
模式处于水平状态。 |
| |
当它是线性的并且 |
| |
当它弯曲时。 |
| |
一切都取决于 |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
增加或减少 |
| |
呈指数级增长。所以这是 |
| 00 |
13.466 |
| |
343 |
| |
精益，并认为它是 |
| |
复利利率如果 |
| |
如果水平状态增加 |
| 00 |
32.466 |
| |
348 |
| |
他们做出预测，他们试图…… |
| |
尽量不要超出范围 |
| |
或低于预测 |
| 00 |
59.833 |
| |
355 |
| |
如何解读 |
| |
州政府的预测 |
| 00 |
20.133 |
| |
359 |
| |
第二个，以上都不是 |
| |
模型是固定的。它们是 |
| 00 |
37.466 |
| |
364 |
| |
所以如果你正在考虑这些 |
| |
时间序列。事物 |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
第三个，如果你看到 |
| |
该时间序列不 |
| 00 |
12.000 |
| |
373 |
| |
374 |
| |
导致... |
| |
下一张适合的幻灯片 |
| 00 |
31.933 |
| |
378 |
| |
比较不同类型的 |
| |
模特要小心。 |
| |
这张幻灯片是为了展示如何... |
| 00 |
51.800 |
| |
383 |
| |
是预测。 |
| |
同样，我绘制了我的 |
| 00 |
07.400 |
| |
387 |
| |
应用这些类型的状态空间 |
| |
平滑模型至平稳 |
| |
时间序列？这里我模拟了一个 |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
根据这个时间序列的模型， |
| |
最好的模型是 |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
相当不同，因为它是 |
| |
随机游走模型和 |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
本次演示中的特色 |
| |
预测滞留情况。 |
| |
此功能允许您 |
| 00 |
37.966 |
| |
40.500 |
| |
45.833 |
| |
415 |
| |
416 |
| |
417 |
| |
418 |
| |
一个来自另一个模型。 |
| |
然后你可以比较这些 |
| 00 |
11.833 |
| |
423 |
| |
424 |
| |
激活此功能。然后我 |
| |
需要指定 |
| |
保留的长度 |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
点击选择推荐， |
| |
并检查约束 |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
该系列的一部分， |
| |
我们列出了保留 |
| 00 |
26.000 |
| |
443 |
| |
444 |
| |
默认情况下，但你可以 |
| |
总是改变你的指标 |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
报告类似 |
| |
从分析中得出 |
| |
无需激活此功能即可获得结果 |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
让我总结一下 |
| |
我们从中学到了什么 |
| 00 |
25.566 |
| |
459 |
| |
业绩优于阻碍 |
| |
数据。但这些标准 |
| 00 |
41.366 |
| |
463 |
| |
过程。我们看到的是 |
| |
与我们使用的方式不同 |
| 00 |
57.700 |
| |
467 |
| |
模型拟合的一部分 |
| |
过程，所以这是 |
| 00 |
17.000 |
| |
471 |
| |
阻碍评估 |
| |
不同的模型基于 |
| |
预测业绩。因此我们 |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
列是时间序列 |
| |
指标。Y 为时间序列 |
| 00 |
55.666 |
| |
482 |
| |
总结数据集， |
| |
时间或时间序列， |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
规范或改变 |
| |
模型选择策略，我们 |
| 00 |
39.200 |
| |
494 |
| |
检查...更改选择 |
| |
第一个预测组合框 |
| |
性能。然后我们可以选择 |
| |
预测绩效 |
| 00 |
04.633 |
| |
500 |
| |
我们需要预测。但是你可以 |
| |
选择任意...更改为任意 |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
使用培训 |
| |
时间序列，选择最佳 |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
系列平台。首先分析 |
| |
Box Cox 变换时间序列。 |
| |
第二个是健康状态 |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
以及使用它作为 |
| |
以及模型选择方法。 |
| |
非常感谢。 |
高级统计建模基础数据分析与建模消费者和市场研究数据访问数据混合和清理实验设计预测模型和机器学习质量与工艺工程可靠性分析
