| Lautsprecher |
Transkript |
| Stan Siranovich |
Okay, fangen wir also mit der Beobachtung an. Sie befindet sich in der ersten Spalte. Und gleich sehen wir, dass wir ein etwas ungewöhnliches Format haben. |
| |
Darauf gehen wir später ein. Die nächste Spalte zeigt den Y-Kappa-Wert, die sogenannte Zielvariable, die wir vorhersagen möchten. Es handelt sich um den Messwert, den wir in einem engen Bereich halten möchten. |
| |
Und in ein, zwei Minuten erkläre ich, warum. Beim Durchscrollen der Daten fallen uns ein paar Dinge auf. Da sind einige ungewöhnliche Bezeichnungen. Da ist zum Beispiel „T-upperExt“, was auch immer das bedeuten mag. Dann gibt es noch „T-lower“ und „WhiteFlow“. Und uns ist aufgefallen, dass… |
| |
Einige der Spalten, genauer gesagt die meisten Anrufe, haben am Ende eine Zahl. Und wie sich herausstellt … nach einiger Recherche finden wir heraus, dass es sich dabei um die Verzögerungszeit handelt. |
| |
Und darauf komme ich zurück, wenn ich den Prozess erkläre. Wir haben also Dinge wie die Chip-Feuchtigkeit, die Dampftemperatur, und wir sehen auch, dass einige Werte fehlen. Es gibt hier und da ein paar, aber hauptsächlich scheinen sie auf AAWhite beschränkt zu sein. |
| |
Entschuldigen Sie, ganz am Ende noch die Sulfidität. Das vermerken wir also. |
| |
Jetzt |
| |
Da wir uns mit solchen Dingen nicht auskennen, wäre es wohl am klügsten, wenn wir recherchieren und genau herausfinden, worum es sich handelt. Und wir würden auch gerne wissen (ich zeige Ihnen mal die PowerPoint-Präsentation). |
| |
genau |
| |
In Ordnung. |
| |
Fangen wir an. Der Kamyr-Aufschlussapparat ist ein kontinuierlicher, vierstufiger Prozess für den Zellstoff- und Papierhersteller. |
| |
Nun diese |
| |
Prozess... diese Prozesse sind ziemlich umfangreich und man kann sie sich wie einen riesigen Schnellkochtopf vorstellen. Wir überprüfen Hitze, Dampf und Druck, |
| |
Entschuldigen Sie, in den Reaktor hinein. Diese Reaktoren können einen Durchmesser von 5,5 Metern und eine Höhe von bis zu 61 Metern haben. Unser Ziel war es, das Lignin abzutrennen und gleichzeitig die Kappa-Zahl zu kontrollieren. |
| |
Und der Rohstoff ist etwas ungewöhnlich. Ich komme aus der chemischen Industrie und bin es gewohnt, mit ... zu arbeiten. |
| |
ein flüssiger Rohstoff, aber hier sind unsere Rohstoffe Holzspäne oder Sägemehl von einem |
| |
Sägewerk oder so. Und wir haben keine Informationen darüber, ob diese Rohstoffe zusammen hineingeschüttet werden, ob sie übereinander gestapelt werden, ob sie … |
| |
Wir starten zwar eine Kampagne, aber uns ist sofort klar, dass es hier gewisse Schwankungen gibt. Unabhängig von der physikalischen Form besteht das Ausgangsmaterial aus 50 % Wasser, 25 % Zellstoff und 25 % Lignin. Und natürlich ist es das Lignin, das wir herauslösen wollen. |
| |
Der Prozess sieht nun folgendermaßen aus. Er ist komplex und umfasst innerhalb dieser einen Einheit vier separate Verfahrensschritte. Da ist der obere Teil, in den die Chips gegeben werden, und die Reaktionsmischung, die als Flüssigkeit bezeichnet wird. |
| |
Es enthält etwas Ätzmittel und Alkalität, aber man kann es sich wie eine Seifenlösung vorstellen. Es wird das Lignin vom Holz trennen. |
| |
Und wir haben auch die Flüssigkeitsströme, sowohl Abwässer als auch Flüssigkeiten, und zwar drei davon. |
| |
Es kann sich um Gleichstrom- oder Gegenstromströmung handeln, wodurch eine weitere Variable ins Spiel kommt. Wie bereits erwähnt, ist die Zielvariable die Kappa-Zahl, die nach ISO bestimmt wird. Hinzu kommt die Variable, dass die Fluide rezirkuliert und regeneriert werden. |
| |
Beginnen wir also mit einer ersten Datenerkundung. |
| |
Und so sieht die JMP-Datentabelle unmittelbar nach dem Import in JMP aus. Beginnen wir mit der Beobachtung Y-Kappa, |
| |
Wir möchten die Abriebrate messen. Hier sind einige weitere Kennzahlen. Wir sehen, dass einige Daten fehlen; die meisten scheinen sich auf diese Spalte und diese Spalte hier (Sulfidität) zu beschränken. |
| |
Schauen wir uns das also einmal genauer an, um zu sehen, ob es Anlass zur Sorge gibt. Am besten geht das meiner Meinung nach, indem wir hier oben in den Tabellen nach dem Muster der fehlenden Daten suchen. |
| |
Ich werde also per Drag & Drop alle diese Elemente auswählen und hinzufügen. |
| |
Und wir erhalten diese Tabelle. |
| |
Nun sollten Sie die fehlende Datentabelle sehen. |
| |
direkt über meiner JMP-Tabelle. |
| |
Und ich möchte die erste Spalte noch etwas genauer erläutern. Wenn wir uns nun die erste Spalte hier ansehen, in der „Anzahl“ steht, … |
| |
Die Anzahl der fehlenden Spalten beträgt null, und wir sehen hier in der nächsten Spalte durchgehend Nullen. Das ist unser Muster und bedeutet, dass wir 131 Spalten ohne fehlende Daten haben, aber insgesamt 132 Spalten. |
| |
In dieser Spalte fehlen in zwei Spalten Daten. Dort, wo Sie zwei 1 sehen, fehlen die Daten. Hier sehen wir ein weiteres Muster mit der Zahl 19, aber die übrigen Spalten sind weitgehend ausgefüllt. |
| |
Die Daten sind ziemlich vollständig belegt, und wer schon einmal mit Produktionsdaten oder Daten zur Qualitätsüberwachung gearbeitet hat, weiß, dass das nichts Ungewöhnliches ist. Tatsächlich ist dies der Fall. |
| |
Für diese Art von Daten ist die Liste recht vollständig. Schauen wir uns das also genauer an. Wir haben 131 Einträge, einer fehlt, und wir wissen, dass diese beiden Spalten vorhanden sind. |
| |
Mal sehen, ob sie übereinstimmen. Genau. Es ist derselbe Datensatz mit denselben zwei Spalten, in denen Daten fehlen. Wir können also die erste Zeile auswählen. |
| |
Und wir können hier hinüberschauen. |
| |
Ich räume das mal beiseite. Dann können wir scrollen. |
| |
Und tatsächlich, |
| |
Dort sehen wir die blauen Markierungen. |
| |
Die vorhandenen Daten werden hervorgehoben, und wir sehen, dass die fehlenden Daten tendenziell in einer Reihe angeordnet sind. Hier ein Punkt, hier ein Punkt, sodass es aussieht, als ob sich alle fehlenden Daten in diesen beiden Spalten in derselben Zeile befinden. |
| |
Also, ich gehe zurück |
| |
und die Weitergabe stoppen. |
| |
Wir werden nun einige Daten analysieren, und ich werde dieses Fenster schließen. |
| |
Und wir sind wieder hier bei der ursprünglichen JMP-Datentabelle. |
| |
Und mal sehen, wo fangen wir an? Nun, wir haben hier ein paar Möglichkeiten, aber eine davon ist, auf dieses Symbol hier zu klicken, und es heißt „Kopfzeilendiagramme anzeigen“. |
| |
Wir klicken also auf das Symbol und sehen dann einige Überschriftendiagramme. Diese zeigen uns Histogramme der Verteilung an. |
| |
in der Spalte darunter. Und diese Elemente sind verschiebbar, sodass wir sie in beide Richtungen vergrößern können. Und warum erkunden wir das nicht ein wenig? Da wir ja das Y-Kappa steuern wollen, |
| |
Wählen wir einige dieser hohen Werte aus und schauen wir, was wir sehen können. Scrollen Sie weiter, scrollen Sie weiter, es sieht so aus, als ob es |
| |
etwas damit zu tun, was bei BlowFlow vor sich geht, dass... |
| |
Das ist hier die Obergrenze des Bereichs, und wenn wir zu T-upperExt-2 gehen, |
| |
Wir sehen, dass es sich tendenziell in der unteren Hälfte der Verteilung befindet. Ansonsten fällt uns nichts Besonderes auf, also klicken wir gleich hier. |
| |
Und da, um das ein wenig aufzuräumen. |
| |
Und nun zu einer etwas ausführlicheren Erklärung. Gehen wir zum Graph-Builder. |
| |
Also gehst du zum Diagramm... |
| |
Der Graph-Builder öffnet dieses Fenster. |
| |
Und ich werde mir nun die Y-Kappa ansehen. |
| |
So, und ich kann...ich kann da eine glattere Linie einfügen. |
| |
Und was ich sehe, ist |
| |
Es gibt zwar gewisse Schwankungen in unserem Prozess, aber er ist im Großen und Ganzen stabil, vielleicht mit einem leichten Aufwärtstrend, aber er ist stabil, und das wird später noch wichtig werden. |
| |
Aber wenn ich hier unten schaue, wo „Beobachtung“ steht, was sehe ich dann? Ich sehe, dass es mit 1-00 beginnt, dann mit 01, und die Zeit immer weiter ansteigt. Aber wenn ich mir die Datentabelle hier ansehe, beginnt sie mit 31. Was haben sie hier also offenbar gemacht? |
| |
Die Daten wurden in der Einheit mit dem Datum des Monats und der Stunde begonnen und in diesem Format beibehalten. Das entspricht aber nicht unseren Anforderungen. Daher schließe ich dieses Fenster. Ich beende die Freigabe und öffne eine neue JMP-Datentabelle. |
| |
Okay, wir sehen uns also im Grunde dieselben Daten an, die ich etwas aufbereitet und angepasst habe. Und wie wir sehen, habe ich sie so angeordnet, wie ich es normalerweise mit dem Y-Kappa-Wert mache, der unser |
| |
…unser Zielwert, gefolgt von der Beobachtung. Und hier habe ich eine Stundensequenz hinzugefügt, und ich zeige Ihnen, was hier passiert. |
| |
Ich habe alle Skripte in dieser Datentabelle gespeichert, es sind dieselben Daten; ich habe lediglich eine andere, bereinigte Tabelle geöffnet. Und Sie werden feststellen, dass wir in allen Tabellen hier die gleiche Anzahl an Dezimalstellen haben, wenn ich mit dem Mauszeiger darüberfahre. |
| |
Und lasst uns wiederholen |
| |
Das, was ich eben vorhin gemacht habe. Also gehen wir jetzt zu „Graph“, zum „Graph Builder“. |
| |
Setzen Sie das Y-Kappa hier ein und fügen Sie nun die Y-Sequenz hinzu. |
| |
unsere Datentabelle, und jetzt erhalten wir ein anderes Muster. Wenn ich die Originaltabelle öffne, |
| |
Wir sehen, dass wir eine andere, glattere Linie haben, und ich versuche, bestimmte Konstellationen zu erkennen, die ich Konstellation nenne. Hier haben wir also diese drei Datenpunkte. |
| |
Ich schließe dieses Fenster und öffne das zweite. |
| |
Und hier sind die drei Datenpunkte. |
| |
Ich schalte das jetzt ab. |
| |
Und beachten Sie hier unten die Stundenfolge, |
| |
Wir haben die Datenpunkte in der richtigen Reihenfolge, und mit JMP könnten wir noch etwas anderes machen. |
| |
können wir hier hochgehen? |
| |
schalten |
| |
Beobachtung, die wir vorher schon hatten, und jetzt verschieben wir sie hierher. |
| |
Und wir fügen unsere geglättete Linie wieder ein, wie Sie sehen, haben wir dasselbe Muster, aber wenn ich jetzt die Stundenfolge nehme… |
| |
Und wenn wir es hierher ziehen, haben wir das Beste aus beiden Welten. Sie sind in der richtigen Reihenfolge, genau wie wir es wollten. |
| |
Wie Sie unten sehen, werden die Beobachtungen hier nach Stunden absteigend sortiert angezeigt, was die Standardeinstellung ist. Ich könnte jetzt auf „Fertig“ klicken, aber ich minimiere das Fenster erst einmal. |
| |
Und dann gehen wir zum nächsten Schritt über. Schau dir meine Notizen an, um sicherzugehen, dass ich nichts vergessen habe. |
| |
Oh, und wie ich die neue Spalte eingefügt habe, ich beende die Präsentation hier und wechsle, anstatt den gesamten Vorgang noch einmal durchzugehen, zurück zur PowerPoint-Präsentation. |
| |
Ich habe der Spalte einen neuen Namen gegeben, „Stundenfolge“, und als Datentyp „numerisch“ gewählt, weil es das ist. |
| |
Als Modelltyp habe ich „kontinuierlich“ gewählt, da es sich um kontinuierliche Daten handelt, obwohl diese in regelmäßigen Stundenintervallen erfasst wurden. Das Format habe ich gewählt, weil es für Menschen leicht lesbar ist. |
| |
Zur Initialisierung der Daten für die Spalte habe ich die Sequenzdaten ausgewählt und sie von 1 bis 301 ausgeführt, da dies unsere letzte Zeile ist. Und mal sehen, jeder Wert wird einmal wiederholt, Anzahl der zu addierenden Spalten: nur eine. |
| |
Bei den Spalteneigenschaften habe ich im Dropdown-Menü die Zeitfrequenz und anschließend die stündliche Anzeige ausgewählt. So habe ich diese Spalte erstellt. |
| |
Ich werde den Share dazu jetzt stoppen. |
| |
und minimiere es, und ich werde die JMP-Datentabelle wieder aufrufen. |
| |
Und da sind wir wieder in der Datentabelle. Jetzt kommt der spannende Teil: die Analyse. |
| |
Lass uns gehen |
| |
zu analysieren. |
| |
Und ich habe die falsche Datentabelle. Ich öffne mal die andere. Los geht's. |
| |
Gehe zur Analyse, |
| |
multivariate Methoden |
| |
multivariat. |
| |
Und uns wird dieser Bildschirm angezeigt. Wir möchten uns Y-Kappa ansehen, also fügen wir das Y dort ein. |
| |
Wir wollen keine Gewichtungen und Frequenzen oder so und lass uns |
| |
Klicken und ziehen. |
| |
Fügen Sie alles ein. Klicken Sie auf OK, und hier ist das Ergebnis. Und zunächst einmal … ich schließe das Fenster … |
| |
Und uns wird die Streudiagrammmatrix präsentiert. Hier können wir nach Mustern in den Daten suchen. Wir sehen zwar nicht viele, aber wenn wir uns Y-Kappa hier in der Spalte ganz links ansehen, |
| |
Schauen wir uns das mal genauer an, es sieht so aus, als ob wir hier ein Muster erkennen könnten... |
| |
Was auch immer diese Spalte beinhaltet. Scrollen Sie ein wenig nach unten, und es sieht so aus, als wäre es |
| |
Einer der Getränkeflüsse usw. usw. Damit können wir uns einen groben Überblick verschaffen. Ich schließe das Fenster. |
| |
Wir können uns hier die Korrelationen ansehen, die blauen sind positive Korrelationen, die roten sind negative, und keine von ihnen ist besonders hoch. |
| |
Das ist in mancher Hinsicht gut, in anderer schlecht, aber darauf gehen wir jetzt nicht näher ein. Wir schauen uns das einfach mal an. In manchen Situationen erhalten wir dadurch mehr Informationen als durch andere Quellen. Deshalb schließe ich diesen Punkt ab. |
| |
Als nächstes kommen wir zum Modell-Screening, also gehen wir zur Analyse. |
| |
Screening |
| |
Prädiktor-Screening. Und uns wird dieses Fenster präsentiert und wieder einmal |
| |
Y-Kappa ist unsere Y-Antwort. Und hier öffnet sich das nächste Fenster. Wir ignorieren die Messwerte vorerst, da wir hier die Stundenfolge haben, die viel übersichtlicher ist. Wir geben sie also hier ein und klicken auf OK. |
| |
Und das ist das Ergebnis. |
| |
Wir haben hier also unsere Prädiktoren, und natürlich sind diejenigen mit den höheren Werten und den größeren Balken wahrscheinlich die wichtigsten Prädiktoren für uns. |
| |
Und wir sehen hier eine ganze Reihe von Variablen. Jetzt kommen wir zu einem Entscheidungspunkt. Nun, diese ersten beiden, die sind offensichtlich |
| |
Etwas, das wir uns ansehen sollten, wahrscheinlich auch das dritte und vierte. Die übrigen Punkte sind eher nebensächlich, aber sie sind alle ungefähr gleich wichtig, also fangen wir an. |
| |
Wir klicken und ziehen, und bevor ich zu diesen beiden Spalten komme: Der Beitrag ist ein Beitrag zum Modell im Anteil, der Spalte, die ich normalerweise betrachte, ist der prozentuale Anteil, den dies |
| |
Der Prädiktor hat hier Vorhersagen für das Modell getroffen, die Summe beträgt also 100 %. Und wir haben hier einen Link mit der Aufschrift „Ausgewählte kopieren“. |
| |
Also, lasst es uns tun. |
| |
Ich minimiere nun dieses Fenster und wechsle zurück zu unserem Analysefenster. |
| |
Und mal sehen. Was passiert, wenn ich Modelle anpasse? Lineare Regressionsmodelle anpassen. |
| |
Und wenn ich darauf klicke, sehe ich, dass die ausgewählten Spalten bereits hervorgehoben sind. |
| |
Fügen wir sie also hinzu und natürlich wollen wir auch wieder das Y-Kappa. |
| |
Und wir wählen das aus, und als ich das tat, öffnete es sich. |
| |
Hier eine Erweiterung unseres Fensters und ein paar weitere Persönlichkeitstypen ... ein paar weitere Auswahlmöglichkeiten in den Dropdown-Menüs. Und der erste Persönlichkeitstyp – ich klicke ihn an, und es erscheinen hier mehrere Optionen. Aber fürs Erste bleiben wir einfach bei der Standardmethode der kleinsten Quadrate. Und dann, um es zu verdeutlichen, |
| |
Wir haben drei Möglichkeiten. Der Schwerpunkt liegt auf dem, was uns im ersten Berichtsfenster angezeigt wird. Fürs Erste wähle ich einfach aus. |
| |
Minimalbericht. Und mal sehen, Grad, 2, okay, also werden die quadrierten Terme betrachtet. |
| |
Mal sehen... und ich denke, wir sind startklar, also klicke ich auf „Start“. |
| |
Und das ist das Ergebnis. Und es sieht so aus, als ob dieses BF-CM-Verhältnis von primärer Bedeutung ist. |
| |
gefolgt von einigen |
| |
Es gibt hier noch andere, die weniger wichtig sind, aber sie sind... aber sie sind signifikant, und der Grund dafür ist erstens der p-Wert; übrigens liegt dieser bei einem Signifikanzniveau von 0,05 und dem blauen... |
| |
Entschuldigen Sie, das 0,01-Niveau und die blaue Linie hier, die das 0,01-Niveau für die Signifikanz darstellt. Und der Grund... der Grund, warum wir |
| |
Wir machen das so mit dem Logarithmus... ach ja, ich sollte vielleicht erwähnen, dass der Logarithmus 10 mal minus dem Logarithmus ist, also der Logarithmus zur Basis 10. Wenn die blaue Linie also den Wert 2 hat, dann ist der Logarithmus... |
| |
Der Logarithmus des p-Wertes von 0,02... oder Entschuldigung, 0,01 wäre eine 2, daher ist die Linie dort. |
| |
Hier ist es nicht unbedingt nötig, aber wenn Sie eine Analyse mit mehreren Variablen durchführen, ist es definitiv hilfreich. Und hier unten sehen wir uns die Zusammenfassungen an. |
| |
Wenn wir die Güte der Anpassung prüfen, finden wir ein R² von 0,5, und das ist...das ist so ziemlich das Beste, was wir aus diesem Fenster herausholen können. |
| |
Und wir kommen hierher, um Schätzungen vorzunehmen, und wir können sehen, dass die Schätzungen Koeffizienten für unsere multiplen linearen Regressionen sind. |
| |
Wir sehen also, dass diese beiden möglicherweise nicht benötigt werden, daher werden wir aus Gründen der Sparsamkeit... |
| |
Wir wählen diese aus, kommen herüber und entfernen sie. Dadurch haben wir zwei Variablen weniger. Wir könnten die Chipebene wahrscheinlich auch entfernen, aber vorerst lassen wir sie so, da unser R² dadurch etwas sinkt. |
| |
Und ansonsten blieb alles weitgehend gleich. Das ist also unser Modell. Wir können jetzt hierherkommen und weitere Fenster öffnen. |
| |
Wir sehen hier die T-Verhältnisse der einzelnen Terme, einige Effekttests, und dabei belassen wir es vorerst. Ich minimiere nun das Fenster; wir haben noch eine Zeitreihenanalyse durchzuführen. Wir kommen also hierher, um sie erneut zu analysieren. |
| |
Wir gehen nun hier zum Thema Spezialmodellierung und anschließend zu Zeitreihenanalysen. Klicken Sie darauf, und alles ist weiterhin ausgewählt. |
| |
Wir wählen diese Option aus. |
| |
Wir setzen Y ein. |
| |
Es wird dasselbe bewirken. |
| |
Einer zu viel, Moment mal. |
| |
Hier kommt unsere Zielliste hin und hier haben wir diesen Knopf, X-mal, wir fügen die Stundenfolge wieder ein, weil sie so leichter lesbar ist. |
| |
Füge das dort ein. |
| |
Klicken Sie auf „Ausführen“. |
| |
Und fürs Erste ignorieren wir all das und schauen uns hier unten unsere Zeitreihendiagnose an. Scrollen Sie nun noch ein Stück weiter nach unten. Die blaue Linie hier ist die |
| |
Der p-Wert liegt bei einem Signifikanzniveau von 0,05 und berücksichtigt verschiedene Autokorrelationen sowie die partiellen Verzögerungszeiten. |
| |
Ich könnte also die vollen 45 Minuten darüber sprechen, aber wir haben nicht so viel Zeit, deshalb gebe ich nur eine kurze Zusammenfassung. Wir wollen all diese Verzögerungszeiten beseitigen. |
| |
innerhalb dieser blauen Linie. Und es sieht so aus, als müssten wir in diesem Fall auf etwa fünf oder sechs, vielleicht sogar sieben gehen, irgendwo in diesem Bereich. |
| |
Und diesen Punkt erreichen wir bei etwa drei, vier oder fünf mit der teilweisen Verzögerung. |
| |
Also |
| |
Wir gehen hier hinauf zum roten Dreieck. |
| |
Wir möchten ein ARIMA-Modell erstellen. Wir erhalten dieses Fenster, und ARIMA steht für autoregressives integriertes gleitendes Mittel. Hier möchten wir keine Differenzbildung durchführen. |
| |
Weil wir bereits eine Differenzberechnung durchgeführt haben. Die Zahlen am Ende der Spalten stellten die Verzögerungszeiten dar, damit alle Daten übereinstimmen. Wir wollen also hier einfach eine Schätzung vornehmen. |
| |
Ich mache daraus eine 4, also Verzögerung von 4 Perioden. |
| |
Und das Gleiche machen wir hier unten für den gleitenden Durchschnitt. |
| |
Wir könnten auch unterschiedliche Werte dafür wählen und schauen, wie sich der Achsenabschnitt und die Nebenbedingung anpassen. |
| |
Wir werden den Kostenvoranschlag einhalten und dann wieder hierherkommen. |
| |
Und das ist das Ergebnis. Es läuft etwas besser als zuvor. |
| |
Lass uns hierher kommen. |
| |
Und wir wählen diese Variante erneut. Aus Zeitgründen trage ich sechs Perioden ein. |
| |
Überprüfen Sie alles. Geben Sie den Kostenvoranschlag erneut ein. |
| |
Ich scrolle jetzt nach unten, und das sieht schon etwas besser aus. Wir wollen wahrscheinlich, dass der Wert innerhalb von vier, fünf oder sechs Verzögerungsperioden liegt, also gibt es noch eine Sache zu überprüfen. |
| |
Wenn wir uns die Grafiken ansehen... |
| |
Und wir könnten die Skripte auf dem Tisch speichern. Nick, können wir die Aufnahme kurz anhalten? |
| |
Okay, also ich habe das ein paar Mal gemacht. |
| |
Und hier habe ich eine Zusammenfassung im Modellvergleich. |
| |
Wir haben also das erste Modell der ARMA. Da wir die Unterschiede nicht berücksichtigt haben, heißt es ARMA und nicht ARIMA. Und hier ist der fünfte Punkt. Ich erkläre das mal genauer. |
| |
Nur noch ein kleines bisschen, und das ist die Tabelle. Ich habe die Tabelle noch etwas überarbeitet, ich habe einige Spalten entfernt, die ich aus Zeitgründen nicht besprechen wollte. Und |
| |
Wir können uns die Ergebnisse ansehen. Sie zeigen uns den AIC-Wert, wobei ein niedrigerer Wert besser ist, und das beste Modell scheint das folgende zu sein: |
| |
Als erstes haben wir (5,5) gemacht. Wir haben |
| |
1268, dann steigt es auf 1270, 1271, 1271, und dann haben wir das R², und hier ist natürlich ein größerer Wert besser, und es sieht so aus, als ob die Verzögerung (6,6) die beste war. Sie haben ein etwas größeres R², aber sicherlich nicht signifikant. |
| |
Hier betrachten wir den MAPE, den mittleren prozentualen Fehler, den wir natürlich minimieren wollen. Das mittlere Modell, das zweite mit den sechs Perioden, scheint das beste zu sein und erreicht einen Wert von 7,55. |
| |
Und hier unten finden Sie weitere Daten. Wir haben die Schätzungen, und Sie können sich verschiedene Grafiken ansehen. All diese Daten wurden in der Datentabelle gespeichert. Ich werde sie noch etwas aufräumen. |
| |
Zusammenfassend lässt sich also sagen, dass wir hier die alltäglichen Abläufe einer sehr komplexen Anlage dargestellt haben. Wir konnten sie erklären und verstehen. |
| |
Wir begannen mit der visuellen Erkundung der Daten und gingen dann dazu über |
| |
Wir haben recherchiert, um herauszufinden, was wir über den Prozess wissen mussten, damit wir wussten, was bei unserer Analyse vor sich ging, und wir konnten alles in unserer Datentabelle speichern. |
| |
Und noch eine kurze Anmerkung: Wir haben anhand unserer Daten festgestellt, dass wir für unsere Analysen problemlos von einer Plattform zur anderen wechseln konnten. Damit ist die Präsentation abgeschlossen. |
