JMP® 16 時間序列平台更新 (2021-EU-45MP-745) 劉鵬，JMP首席研究統計師，SAS
曹建，SAS JMP 首席系統工程師
本次演講將全面回顧兩個時間序列相關平台的重大更新。具體而言，這些更新包括基於預測績效的模型選擇方法、用於研究新添加的狀態空間平滑模型的增強函數，以及使用 Box-Cox 轉換時間序列的分析功能。我們將解釋開發這些新功能背後的動機，以幫助識別新功能的有趣用例。我們將透過幾個範例來說明這些新功能的眾多應用可能性。 JMP 16 代表了時間序列平台的重大升級。憑藉這些新功能，JMP 為時間序列分析領域許多引人入勝的新發現打開了大門。
自動產生的成績單...
| 揚聲器 |
抄本 |
| |
本次演講將重點放在一些 |
| 00 |
11.600 |
| |
3 |
| |
時間序列平台。其中三個是 |
| |
來自時間序列平台和 |
| 00 |
34.700 |
| |
38.400 |
| |
10 |
| |
11 |
| |
12 |
| |
我們需要 Box Cox 嗎 |
| |
轉換時間序列？ |
| |
讓我們來看看數據 |
| 00 |
00.933 |
| |
06.200 |
| |
18 |
| |
也被稱為航空公司 |
| |
乘客數據集。 |
| |
原始系列是 |
| 00 |
23.900 |
| |
23 |
| |
模型來自。 |
| |
為什麼？我們來看一個情節… |
| 00 |
43.433 |
| |
二十七 |
| |
越來越大。而這個系列 |
| |
無法處理 |
| 00 |
01.666 |
| |
31 |
| |
在第二張圖片中。所以 |
| |
改變沒有改變 |
| |
與各種時間序列??? |
| 00 |
20.266 |
| |
三十六 |
| |
因此在文學作品中人們會 |
| |
說，好吧，我們將改變 |
| 00 |
33.800 |
| |
38.700 |
| |
41 |
| |
四十二 |
| |
43 |
| |
變換尺度，在這種情況下 |
| |
這裡，它是對數刻度。 |
| |
將其發送到逆 |
| 00 |
04.366 |
| |
49 |
| |
轉換。 |
| |
過去……過去 |
| 00 |
21.966 |
| |
53 |
| |
簡化整個流程。 |
| |
你需要做的是把 |
| 00 |
39.133 |
| |
57 |
| |
需要做模型，製作 |
| |
預測，然後是軟體， |
| 00 |
55.933 |
| |
61 |
| |
將把木樁乘客放入 Y， |
| |
但現在我們不必這麼做。我們 |
| 00 |
15.033 |
| |
66 |
| |
進入 Box Cox |
| |
變換參數 Lambda。 |
| |
零，這意味著它是一個日誌 |
| 00 |
28.333 |
| |
31.166 |
| |
37.433 |
| |
73 |
| |
紅色三角形選單並點擊 |
| |
ARIMA 或季節性 ARIMA。 |
| 00 |
01.766 |
| |
78 |
| |
季節性部分為 12。 |
| |
不攔截。點選 |
| 00 |
19.633 |
| |
22.933 |
| |
24.500 |
| |
28.733 |
| |
85 |
| |
86 |
| |
預測照顧 |
| |
逆變換。 |
| 00 |
49.600 |
| |
91 |
| |
將會在此體現。 |
| |
情節和預測 |
| 00 |
05.033 |
| |
08.800 |
| |
11.100 |
| |
17.866 |
| |
98 |
| |
模型是及時的主力 |
| |
系列預測平台。 |
| |
它們可以擬合和預測很多 |
| 00 |
35.733 |
| |
39.633 |
| |
104 |
| |
性能在某種程度上是可比的 |
| |
預測 |
| 00 |
59.366 |
| |
110 |
| |
111 |
| |
研究為什麼它...為什麼這種類型 |
| |
模型作品以及為什麼一些 |
| 00 |
18.600 |
| |
115 |
| |
116 |
| |
將模型輸入到時間序列中 |
| |
該平台旨在 |
| 00 |
43.900 |
| |
120 |
| |
未知函數 |
| |
狀態，未觀察狀態。這裡 |
| 00 |
01.000 |
| |
124 |
| |
變數和誤差項 |
| |
透過加法運算 |
| 00 |
16.266 |
| |
19.200 |
| |
129 |
| |
130 |
| |
狀態是等級狀態時間 |
| |
系列。趨勢狀態形成 |
| 00 |
40.733 |
| |
134 |
| |
135 |
| |
州，也是 |
| |
之前的季節狀態。以及 |
| 00 |
59.733 |
| |
03.133 |
| |
140 |
| |
141 |
| |
先前的趨勢狀態將 |
| |
轉向下一個。 |
| |
趨勢狀態和水平狀態 |
| 00 |
25.966 |
| |
146 |
| |
指向另一個時間點。並且 |
| |
還有更多箭頭… |
| |
狀態轉換比 |
| 00 |
49.700 |
| |
152 |
| |
系列變成 Y 並按一下確定。 |
| |
為了適應這種類型的模型，我們 |
| 00 |
12.300 |
| |
16.766 |
| |
160 |
| |
161 |
| |
設置，我要輸入 12 |
| |
一段時期。 |
| |
我要點擊“選擇” |
| |
推薦按鈕。 |
| |
從加性誤差模型和 |
| 00 |
47.666 |
| |
169 |
| |
這套特別的套裝，我要 |
| |
點選約束參數 |
| 00 |
05.966 |
| |
173 |
| |
推薦適合這些的模型 |
| |
這些時間序列的類型和 |
| 00 |
23.666 |
| |
27.966 |
| |
179 |
| |
180 |
| |
具有較小 AIC 的模型 |
| |
我關注的是前兩個 |
| 00 |
52.300 |
| |
184 |
| |
模型。讓我 |
| |
疊加預測 |
| 00 |
09.366 |
| |
10.566 |
| |
17.666 |
| |
190 |
| |
191 |
| |
192 |
| |
193 |
| |
從原始時間序列 |
| |
更好。 |
| |
所以按照我的偏好，我會 |
| 00 |
45.133 |
| |
198 |
| |
有什麼區別？讓我打開 |
| |
第一個 MAA...MAM。 |
| |
我們繼續往下看。這 |
| 00 |
05.533 |
| |
10.666 |
| |
204 |
| 這個 |
組件狀態。 |
| |
這是特別的 |
| 00 |
32.900 |
| |
209 |
| |
第一個字母。 |
| |
趨勢是加性的 |
| 00 |
50.233 |
| |
213 |
| |
本報告的第二部分是 |
| |
……是國家組成部分 |
| 00 |
06.100 |
| |
217 |
| |
部分是預測 |
| |
這個特定的狀態。 |
| |
時間序列的周期 |
| 00 |
27.500 |
| |
222 |
| |
223 |
| |
呈上升趨勢 |
| |
過去。它不斷增加 |
| 00 |
48.266 |
| |
227 |
| |
系列和模式繼續 |
| |
面向未來，而這 |
| 00 |
03.466 |
| |
231 |
| |
觀察到，但預測是 |
| |
平的。這讓我很困擾。 |
| |
現在讓我們來看看第二個 |
| 00 |
17.333 |
| |
20.366 |
| |
23.566 |
| |
27.933 |
| |
239 |
| |
240 |
| |
狀態組件圖。級別是 |
| |
過去曾增加 |
| 00 |
44.366 |
| |
48.466 |
| |
245 |
| |
246 |
| |
247 |
| |
248 |
| |
未來。這更合理 |
| |
我可以接受的情節。 |
| 00 |
14.866 |
| |
252 |
| |
轉到第二張投影片。 |
| |
這張投影片和下一張 |
| 00 |
45.100 |
| |
259 |
| |
關於預測的解讀 |
| |
從這個模型...這種類型的 |
| |
模型。在這裡我想 |
| 00 |
01.933 |
| |
07.233 |
| |
265 |
| |
起來。我在這裡列出了其中一半。 |
| |
哦，差不多一半了。所以，我們集中精力 |
| 00 |
27.033 |
| |
30.800 |
| |
271 |
| |
一些增加的趨勢，並且將 |
| |
逐漸變細。 |
| |
另一方面，我們可以 |
| 00 |
54.233 |
| |
277 |
| |
從預測可以看到 |
| |
類型模型。如果季節性 |
| |
不涉及。當我 |
| 00 |
11.066 |
| |
14.200 |
| |
19.566 |
| |
284 |
| |
285 |
| |
286 |
| |
第一個，這是 |
| |
如果季節性 |
| 00 |
46.833 |
| |
51.266 |
| |
291 |
| |
呈線性成長 |
| |
模式等等 |
| |
和其他的類似。現在 |
| 00 |
06.800 |
| |
12.566 |
| |
297 |
| |
它只是在增加。 |
| |
申請後 |
| 00 |
34.033 |
| |
302 |
| |
乘性季節性 |
| |
我們不斷成長的 |
| 00 |
48.966 |
| |
306 |
| |
這種類型...不同類型的 |
| 形狀 |
平坦的 |
| 00 |
05.666 |
| |
10.733 |
| |
311 |
| |
312 |
| |
我們得到那些不同的...不同的 |
| |
形狀。所以我重新進入??? |
| 00 |
33.466 |
| |
40.433 |
| |
318 |
| |
我們最終看到的 |
| |
預測。 |
| |
你有平面圖案或 |
| 00 |
00.733 |
| |
323 |
| |
參數。所以我分開了 |
| |
這些部分，還有我 |
| 00 |
14.866 |
| |
20.400 |
| |
328 |
| |
329 |
| |
330 |
| |
趨勢通常看起來是平緩的， |
| |
我們將獲得增加 |
| |
模式處於水平狀態。 |
| |
當它是線性的並且 |
| |
當它彎曲時。 |
| |
一切都取決於 |
| 00 |
52.233 |
| |
57.666 |
| |
339 |
| |
增加或減少 |
| |
呈指數級增長。所以這是 |
| 00 |
13.466 |
| |
343 |
| |
精益，並認為它是 |
| |
複利利率如果 |
| |
如果水平狀態增加 |
| 00 |
32.466 |
| |
348 |
| |
他們做出預測，他們試圖… |
| |
盡量不要超出範圍 |
| |
或低於預測 |
| 00 |
59.833 |
| |
355 |
| |
如何解讀 |
| |
州政府的預測 |
| 00 |
20.133 |
| |
359 |
| |
第二個，以上都不是 |
| |
模型是固定的。它們是 |
| 00 |
37.466 |
| |
364 |
| |
所以如果你正在考慮這些 |
| |
時間序列。事物 |
| 00 |
55.566 |
| |
59.600 |
| |
369 |
| |
第三個，如果你看到 |
| |
該時間序列不 |
| 00 |
12.000 |
| |
373 |
| |
374 |
| |
導致... |
| |
下一張適合的投影片 |
| 00 |
31.933 |
| |
378 |
| |
比較不同類型的 |
| |
模特兒要小心。 |
| |
這張投影片是為了展示如何... |
| 00 |
51.800 |
| |
383 |
| |
是預測。 |
| |
同樣，我繪製了我的 |
| 00 |
07.400 |
| |
387 |
| |
應用這些類型的狀態空間 |
| |
平滑模型至平穩 |
| |
時間序列？這裡我模擬了一個 |
| 00 |
32.633 |
| |
393 |
| |
394 |
| |
395 |
| |
根據這個時間序列的模型， |
| |
最好的模型是 |
| 00 |
54.266 |
| |
399 |
| |
400 |
| |
相當不同，因為它是 |
| |
隨機遊走模型和 |
| 00 |
13.466 |
| |
16.466 |
| |
18.733 |
| |
22.333 |
| |
408 |
| |
本次示範中的特色 |
| |
預測滯留情形。 |
| |
此功能允許您 |
| 00 |
37.966 |
| |
40.500 |
| |
45.833 |
| |
415 |
| |
416 |
| |
417 |
| |
418 |
| |
一個來自另一個模型。 |
| |
然後你可以比較這些 |
| 00 |
11.833 |
| |
423 |
| |
424 |
| |
啟動此功能。然後我 |
| |
需要指定 |
| |
保留的長度 |
| 00 |
35.200 |
| |
38.466 |
| |
430 |
| |
431 |
| |
432 |
| |
點選選擇推薦， |
| |
並檢查約束 |
| 00 |
06.433 |
| |
438 |
| |
439 |
| |
該系列的一部分， |
| |
我們列出了保留 |
| 00 |
26.000 |
| |
443 |
| |
444 |
| |
預設情況下，但你可以 |
| |
總是改變你的指標 |
| 00 |
39.900 |
| |
44.866 |
| |
449 |
| |
報告類似 |
| |
從分析中得出 |
| |
無需啟動此功能即可獲得結果 |
| 00 |
05.433 |
| |
454 |
| |
455 |
| |
讓我總結一下 |
| |
我們從中學到了什麼 |
| 00 |
25.566 |
| |
459 |
| |
業績優於阻礙 |
| |
數據。但這些標準 |
| 00 |
41.366 |
| |
463 |
| |
過程。我們看到 |
| |
與我們使用的方式不同 |
| 00 |
57.700 |
| |
467 |
| |
模型擬合的一部分 |
| |
過程，所以這是 |
| 00 |
17.000 |
| |
471 |
| |
阻礙評估 |
| |
不同的模型是基於 |
| |
預測業績。因此我們 |
| 00 |
32.033 |
| |
35.366 |
| |
478 |
| |
列是時間序列 |
| |
指標。 Y 為時間序列 |
| 00 |
55.666 |
| |
482 |
| |
總結資料集， |
| |
時間或時間序列， |
| 00 |
09.533 |
| |
12.066 |
| |
16.600 |
| |
488 |
| |
489 |
| |
規範或改變 |
| |
模型選擇策略，我們 |
| 00 |
39.200 |
| |
494 |
| |
檢查...更改選擇 |
| |
第一個預測組合框 |
| |
性能。然後我們可以選擇 |
| |
預測績效 |
| 00 |
04.633 |
| |
500 |
| |
我們需要預測。但是你可以 |
| |
選擇任意...更改為任意 |
| 00 |
17.833 |
| |
25.466 |
| |
30.866 |
| |
506 |
| |
507 |
| |
使用培訓 |
| |
時間序列，選擇最佳 |
| 00 |
49.800 |
| |
52.333 |
| |
54.766 |
| |
57.900 |
| |
00.966 |
| |
515 |
| |
系列平台。首先分析 |
| |
Box Cox 轉換時間序列。 |
| |
第二個是健康狀態 |
| 00 |
27.666 |
| |
521 |
| |
522 |
| |
以及使用它作為 |
| |
以及模型選擇方法。 |
| |
非常感謝。 |
進階統計建模基礎資料分析與建模消費者與市場研究資料存取資料混合與清理實驗設計預測模型和機器學習品質與工藝工程可靠度分析
