| 스피커 |
성적 증명서 |
| 스탠 시라노비치 |
네, 그럼 관찰 결과부터 시작해 볼까요? 첫 번째 열에 관찰 결과가 있습니다. 그리고 바로 눈에 띄는 건 형식이 조금 특이하다는 점입니다. |
| |
그 부분은 나중에 다루도록 하겠습니다. 다음 열은 Y-카파인데, 이것이 바로 목표 변수입니다. 즉, 예측하고자 하는 값입니다. 측정된 값이며, 우리는 이 값을 좁은 범위 내에 유지하고자 합니다. |
| |
그리고 1~2분 후에 그 이유를 설명해 드리겠습니다. 데이터를 살펴보면 몇 가지 특이한 점을 발견할 수 있습니다. 이상한 레이블들이 있는데요. T-upperExt라는 게 뭔지는 모르겠지만, T-lower, WhiteFlow도 있습니다. 그리고 우리는 다음과 같은 사실을 알아챘습니다. |
| |
사실 일부 열, 아니 대부분의 통화 기록 끝에는 숫자가 붙어 있습니다. 그리고 조사해 보니 그 숫자가 바로 지연 시간이라는 것을 알게 되었습니다. |
| |
그 과정은 제가 설명드릴 때 자세히 다루겠습니다. 칩 수분 함량, 스팀 열량 같은 요소들이 있는데, 누락된 값들이 몇 개 보이네요. 여기저기 조금씩 있지만, 주로 AAWhite 값에 집중되어 있는 것 같습니다. |
| |
죄송합니다만, 맨 마지막에 황 함량이 있습니다. 그래서 그 부분을 기록해 두는 겁니다. |
| |
지금 |
| |
저희는 이런 종류의 일에 익숙하지 않아서, 아마도 가장 현명한 방법은 조사를 좀 해보고 이게 정확히 뭔지 알아보는 거겠죠. 그리고 (파워포인트 좀 띄워볼게요) 이런 것도 알고 싶습니다. |
| |
정확히 |
| |
괜찮은. |
| |
자, 시작해 볼까요? 카미르 소화조는 펄프 및 제지 제조업체를 위한 연속 4단계 공정입니다. |
| |
이제 이것들 |
| |
이 과정은... 상당히 규모가 커서 거대한 압력솥이라고 생각하시면 됩니다. 우리가 하는 일은 열, 증기, 압력을 확인하는 것입니다. |
| |
실례합니다, 반응기 안으로 넣는 겁니다. 이 반응기는 지름이 18피트(약 5.5미터)이고 높이가 최대 200피트(약 61미터)에 달할 수 있습니다. 우리가 하려는 것은 카파 지수를 조절하면서 리그닌을 분리하는 것입니다. |
| |
그리고 원료가 좀 특이해요. 저는 화학 업계 출신이라 그런 원료들을 다루는 데 익숙하거든요. |
| |
액체 원료를 사용하지만, 여기서는 목재 칩이나 톱밥을 원료로 사용합니다. |
| |
제재소 어쩌고저쩌고. 그리고 우리는 이러한 원료들이 한꺼번에 투입되는지, 하나씩 쌓아서 투입되는지, 아니면 다른 방식으로 투입되는지에 대한 정보가 전혀 없습니다. |
| |
캠페인이지만, 곧바로 변동성이 있다는 것을 알게 됩니다. 물리적 형태와 상관없이 원료는 50%의 물, 25%의 펄프, 그리고 25%의 리그닌으로 구성되어 있습니다. 그리고 당연히 우리가 용해시키고자 하는 것은 리그닌입니다. |
| |
이제 그 과정은 다음과 같습니다. 이 과정은 복잡하며, 하나의 장치 안에 네 가지 개별 공정이 있습니다. 상단에는 칩을 넣는 부분이 있고, 반응 혼합물은... 흔히 액체라고 부르는 것입니다. |
| |
약간 부식성이 있고 알칼리성도 있지만, 비눗물과 비슷하다고 생각하면 됩니다. 이 용액이 목재에서 리그닌을 분리해 줄 겁니다. |
| |
그리고 우리는 폐수와 액체를 포함한 유체 흐름도 가지고 있는데, 그 종류는 세 가지입니다. |
| |
그리고 이는 순방향 또는 역방향 흐름일 수 있으므로, 또 다른 변수가 추가됩니다. 앞서 언급했듯이 목표 변수는 카파 값이며, 이는 ISO에서 정한 기준입니다. 또한 유체가 재순환 및 재생된다는 점도 변수로 작용합니다. |
| |
그럼 데이터 탐색부터 시작해 볼까요? |
| |
JMP로 데이터를 불러온 직후의 JMP 데이터 테이블 모습은 다음과 같습니다. 먼저 관측값인 Y-Kappa부터 살펴보겠습니다. |
| |
우리가 측정하고자 하는 것은 칩 비율입니다. 여기 다른 비율들도 있습니다. 그리고 누락된 데이터가 몇 개 있는데, 대부분 저쪽 열과 여기 있는 황화도 열에 집중되어 있는 것 같습니다. |
| |
그럼, 우리가 우려해야 할 사항이 있는지 살펴보겠습니다. 가장 좋은 방법은 여기 표에서 결측 데이터 패턴을 확인하는 것이라고 생각합니다. |
| |
그럼 제가 할 일은 드래그해서 저것들을 모두 선택하는 거예요. 그리고 그것들을 추가할게요. |
| |
그러면 우리는 이 표를 얻게 됩니다. |
| |
이제 누락된 데이터 테이블이 표시될 것입니다. |
| |
제 JMP 테이블 바로 위에 있어요. |
| |
첫 번째 열을 좀 더 자세히 살펴보겠습니다. 여기 첫 번째 열을 보면 '개수'라고 표시되어 있습니다. |
| |
그리고 누락된 열의 개수는 0개이고, 다음 열에도 모두 0이 표시되어 있습니다. 이것이 바로 우리가 발견한 패턴이며, 이는 누락된 데이터가 없는 열이 131개이고 전체 열은 132개라는 것을 의미합니다. |
| |
두 열에 결측값이 있습니다. 1과 1이 표시된 부분이 결측값입니다. 그리고 19라는 숫자가 있는 부분도 결측값입니다. 나머지 열은 대부분 채워져 있습니다. |
| |
상당히 꽉 차 있는 데이터이며, 생산 데이터나 품질 모니터링 데이터를 다뤄본 적이 있다면 이것이 드문 일이 아니라는 것을 알 것입니다. 사실, 이것은 |
| |
이런 유형의 데이터치고는 상당히 완벽합니다. 좀 더 자세히 살펴보겠습니다. 131개의 데이터가 있고 그중 하나가 누락되었으며, 두 개의 열이 있다는 것을 알고 있습니다. |
| |
일치하는지 확인해 보겠습니다. 맞습니다. 누락된 데이터가 있는 두 열이 동일한 레코드입니다. 이제 첫 번째 행을 선택하면 됩니다. |
| |
그리고 우리는 이쪽을 바라볼 수 있습니다. |
| |
이거 좀 치워놓을게요. 그럼 스크롤할 수 있겠네요. |
| |
그리고 예상대로, |
| |
저기 파란색 하이라이트가 보이네요. |
| |
이는 누락되지 않은 데이터를 강조 표시하고, 누락된 데이터가 일렬로 정렬되는 경향이 있음을 보여줍니다. 여기에도 점, 여기에도 점이 찍혀 있으므로 이 두 열의 모든 누락된 데이터가 같은 행에 있는 것처럼 보입니다. |
| |
그럼 다시 돌아가 볼게요. |
| |
공유를 중지하세요. |
| |
이제 데이터 탐색을 좀 해보고 창을 닫겠습니다. |
| |
이제 우리는 원래의 JMP 데이터 테이블로 돌아왔습니다. |
| |
자, 어디서부터 시작해야 할까요? 몇 가지 선택지가 있지만, 이 아이콘을 클릭해서 헤더 그래프를 표시하는 방법도 있습니다. |
| |
아이콘을 클릭하면 헤더 그래프가 몇 개 나타납니다. 이 그래프는 분포의 히스토그램을 보여줍니다. |
| |
아래쪽 열에 있는 것들입니다. 그리고 이것들은 드래그할 수 있어서 어느 방향으로든 크기를 키울 수 있습니다. 자, 여기서 좀 더 자세히 살펴볼까요? Y-Kappa를 제어하고 싶으니, |
| |
이제 높은 값들 중 몇 개를 선택해서 어떤 결과가 나오는지 살펴보겠습니다. 스크롤을 계속 내려보세요. 마치... |
| |
블로우플로우에서 벌어지고 있는 일과 어느 정도 관련이 있습니다... |
| |
이것이 여기 범위의 최상단에 있으며, T-upperExt-2로 이동하면, |
| |
분포의 하위 절반에 집중되는 경향이 있음을 알 수 있습니다. 그 외에는 특별히 눈에 띄는 점이 없으니, 바로 여기를 클릭해 보겠습니다. |
| |
그리고 저기, 좀 정리하면 되겠네요. |
| |
좀 더 자세히 설명해 드리겠습니다. 그래프 빌더로 이동해 보겠습니다. |
| |
그래서 그래프를 보게 되는군요... |
| |
그래프 작성기를 실행하면 이 창이 나타납니다. |
| |
제가 지금 하려는 것은 Y-Kappa를 살펴보는 것입니다. |
| |
자, 이제 됐어요. 좀 더 매끄러운 선을 넣을 수 있겠네요. |
| |
제가 보는 것은 다음과 같습니다. |
| |
우리 프로세스에 약간의 변동성이 있지만, 전반적으로는 상당히 안정적입니다. 약간의 상승 추세가 있을 수 있지만, 안정적인 상태이며 이는 나중에 중요한 역할을 할 것입니다. |
| |
하지만 여기 아래쪽에 '관찰'이라고 써 있는 부분을 보면 뭐가 보일까요? 1-00으로 시작해서 01로 이어지고 시간이 계속 올라가는 게 보입니다. 그런데 여기 데이터 표를 보면 31부터 시작하네요. 그러니까 그들이 여기서 한 일은 분명히 뭔가 잘못된 겁니다. |
| |
해당 장치의 데이터 형식은 월일, 시 순으로 되어 있었는데, 저희가 원하는 형식이 아닙니다. 이 창을 닫고 공유를 중지한 후 다른 JMP 데이터 테이블을 열겠습니다. |
| |
네, 그러니까 지금 보고 계신 건 기본적으로 같은 데이터인데, 제가 좀 정리하고 몇 가지 변경 사항을 적용한 겁니다. 그리고 보시다시피, 저는 Y-Kappa와 함께 제가 보통 정리하는 방식대로 데이터를 배열해 놓았습니다. Y-Kappa는 저희의 핵심 멤버입니다. |
| |
...목표값 다음에 관측값이 나옵니다. 여기에 시간별 데이터를 추가했는데, 어떤 일이 발생하는지 보여드리겠습니다. |
| |
그리고 모든 스크립트를 이 데이터 테이블에 저장했습니다. 데이터는 동일하지만, 정리된 다른 테이블을 열었을 뿐입니다. 스크롤해 보시면 모든 테이블에서 소수점 자릿수가 모두 동일하다는 것을 알 수 있습니다. |
| |
자, 다시 한번 말씀드리겠습니다. |
| |
방금 전에 했던 것처럼요. 이제 그래프, 그래프 빌더로 가보겠습니다. |
| |
여기에 Y-Kappa를 넣고 이제 Y 시퀀스를 추가했습니다. |
| |
데이터 테이블을 열어보면 이제 다른 패턴이 나타납니다. 원래 파일을 열어보면, |
| |
보시다시피 훨씬 부드러운 곡선이 나타나는데, 제가 하려는 것은 일종의 패턴, 즉 제가 '성좌'라고 부르는 것을 찾는 것입니다. 여기 세 개의 데이터 포인트가 있습니다. |
| |
이 창을 닫고 두 번째 창을 열겠습니다. |
| |
그리고 세 가지 데이터는 여기에 있습니다. |
| |
제가 닫아드릴게요. |
| |
그리고 여기 시간 순서를 잘 살펴보세요. |
| |
우리는 데이터 포인트들을 순서대로 가지고 있으며, JMP를 이용해 할 수 있는 또 다른 일도 있습니다. |
| |
우리가 여기로 올라갈 수 있다면요. |
| |
스위치 |
| |
이전에 우리가 가지고 있던 관찰 내용을 이제 여기로 옮기겠습니다. |
| |
그리고 다시 부드러운 선을 넣어보겠습니다. 보시다시피, 같은 패턴이 나타나지만, 이번에는 시간 순서를 살펴보겠습니다. |
| |
그리고 이걸 여기로 끌어내리면, 양쪽 모두의 장점을 누릴 수 있죠. 우리가 원했던 대로 순서대로 되어 있으니까요. |
| |
그리고 보시다시피 아래쪽에 시간 순서대로 내림차순으로 정렬된 관측치가 있는데, 이게 기본 설정입니다. 완료를 클릭할 수도 있지만, 지금은 최소화해 두겠습니다. |
| |
자, 다음 단계로 넘어가겠습니다. 제 메모를 확인하시고, 빠뜨린 내용이 없는지 확인해 주세요. |
| |
아, 그리고 새 열을 어떻게 넣었는지 말씀드리자면, 여기서 공유를 중단하고 전체 과정을 다시 보여주는 대신 파워포인트로 돌아가겠습니다. |
| |
그리고 저는 그 열에 '시간 순서'라는 새로운 이름을 붙이고, 데이터 형식은 숫자로 선택했습니다. 왜냐하면 그것이 바로 그 내용이기 때문입니다. |
| |
모델링 유형으로는 연속형 데이터를 선택했습니다. 비록 시간 단위로 측정되었지만, 연속적인 데이터이기 때문입니다. 그리고 형식은 사람이 읽기 쉽도록 선택했습니다. |
| |
그리고 컬럼 초기화 데이터로는 순차 데이터를 선택하고 1부터 301까지 실행했습니다. 301이 마지막 행이기 때문입니다. 각 값을 한 번씩 반복하고, 추가할 컬럼 개수는 하나로 정했습니다. |
| |
그리고 열 속성에서 드롭다운 메뉴에서 시간 빈도를 선택하고, 시간 단위로도 선택했습니다. 그렇게 해서 해당 열을 얻게 되었습니다. |
| |
그럼 이제 공유를 멈추겠습니다. |
| |
그리고 최소화한 다음 다시 JMP 데이터 테이블로 가져오겠습니다. |
| |
자, 다시 데이터 표로 돌아왔습니다. 이제부터 재미있는 부분인 분석을 시작해 볼까요? |
| |
갑시다 |
| |
분석하기 위해. |
| |
제가 잘못된 데이터 테이블을 열었네요. 다른 테이블을 열어보겠습니다. 여기 있습니다. |
| |
분석으로 이동하세요. |
| |
다변량 방법 |
| |
다변량. |
| |
그러면 이런 화면이 나타납니다. 우리는 Y-Kappa를 보고 싶으니 Y를 입력해야 합니다. |
| |
우리는 가중치나 빈도, 또는 ~에 의한 것이나 ~을 원하지 않습니다. |
| |
클릭 드래그하세요. |
| |
저것들을 모두 입력하세요. 확인을 클릭하면 결과가 나옵니다. 자, 그럼 시작해 볼까요... 잠시 창을 닫겠습니다... |
| |
그리고 우리는 산점도 행렬을 보게 됩니다. 여기서 데이터의 패턴을 찾아볼 수 있습니다. 많은 패턴을 볼 수는 없지만, 가장 왼쪽 열에 있는 Y-카파 값을 보면 알 수 있습니다. |
| |
한번 살펴보니, 뭔가 공통된 패턴이 있는 것 같군... |
| |
이 열이 뭔지는 모르겠지만, 조금 아래로 스크롤해 보면 이렇게 보일 거예요. |
| |
주류 흐름 중 하나, 등등. 그렇게 하면 대략적인 규모를 파악할 수 있습니다. 닫겠습니다. |
| |
여기서 상관관계를 살펴보면, 파란색은 양의 상관관계를, 빨간색은 음의 상관관계를 나타내며, 어느 것도 상관관계가 그리 높지 않습니다. |
| |
어떤 면에서는 좋고, 어떤 면에서는 나쁘지만, 지금은 그 부분에 대해 자세히 이야기하지는 않겠습니다. 다만, 우리는 그 부분을 살펴봐야 합니다. 어떤 상황에서는 다른 정보보다 그 정보에서 더 많은 정보를 얻을 수 있습니다. 그럼 이만 마치겠습니다. |
| |
다음으로 모델 선별 단계로 넘어가겠습니다. 분석 단계로 이동하죠. |
| |
상영, |
| |
예측 변수 선별 검사. 그리고 우리는 이 창을 마주하게 되고, 다시 한번, |
| |
Y-Kappa는 Y 응답입니다. 그리고 여기 다음 창이 나타납니다. 지금은 관측값은 무시하겠습니다. 여기에 시간 순서가 있고, 이게 훨씬 읽기 쉽기 때문입니다. 이걸 입력하고 확인을 클릭하겠습니다. |
| |
그리고 이것이 우리가 얻는 결과입니다. |
| |
여기에 예측 변수들이 있는데, 당연히 값이 높고 막대가 큰 변수들이 우리에게 가장 중요한 예측 변수일 가능성이 높습니다. |
| |
여기에는 여러 변수가 있습니다. 이제 결정을 내려야 할 시점에 이르렀습니다. 처음 두 가지는 명백합니다. |
| |
우리가 살펴보고 싶은 것들이 있는데, 아마 세 번째 것도, 네 번째 것도 그럴 겁니다. 나머지 것들은 다소 사소한 것들이지만, 모두 비슷한 맥락이니 살펴보겠습니다. |
| |
드래그해서 클릭해 볼게요. 아, 그리고 이 두 열을 살펴보기 전에, 기여도는 모델에 대한 기여도를 나타내는 부분인데, 제가 보통 보는 열이 바로 이 부분의 백분율입니다. |
| |
여기 예측 변수는 모델을 예측하는 데 사용되므로, 이 모든 것을 합치면 100%가 됩니다. 그리고 여기 링크가 있는데, '선택 항목 복사'라고 표시되어 있습니다. |
| |
그럼 그렇게 해봅시다. |
| |
그럼 이제 그 창을 최소화하고 다시 분석 창으로 돌아가겠습니다. |
| |
그럼 한번 볼까요? 모델을 적용해 보면 어떨까요? 선형 회귀 모델을 적용해 보겠습니다. |
| |
그리고 제가 그걸 클릭하면, 선택된 열들이 이미 강조 표시되어 있는 것을 확인할 수 있습니다. |
| |
그럼 이제 그것들을 추가해 봅시다. 물론 Y-Kappa도 다시 포함시켜야죠. |
| |
그리고 그걸 선택했더니 화면이 열렸어요. |
| |
여기 창을 확장해서 몇 가지 추가적인 특징을 살펴볼까요? 드롭다운 메뉴를 통해 몇 가지 선택지를 더 보여드리겠습니다. 첫 번째는 특징을 나타내는 항목인데, 클릭하면 여러 가지 선택지가 나옵니다. 하지만 지금은 표준 최소제곱법을 사용해 보겠습니다. 그리고 강조를 위해, |
| |
세 가지 선택지가 있습니다. 그리고 중요한 것은 초기 보고서 창에 표시되는 내용입니다. 지금은 일단 하나를 선택하겠습니다. |
| |
최소 보고서입니다. 그리고 한번 봅시다. 차수, 2, 좋습니다. 그럼 제곱항을 살펴보겠습니다. |
| |
어디 보자... 이제 준비된 것 같으니, '실행' 버튼을 누르겠습니다. |
| |
그리고 이게 제가 얻은 결과입니다. BF-CM 비율이 가장 중요한 요소인 것 같네요. |
| |
이어서 몇 가지 |
| |
여기 있는 다른 것들은 중요도가 떨어지지만... 그래도 의미가 있습니다. 그 이유는 첫째, p값 때문입니다. 참고로, 이것은 0.05 수준이고 파란색은... |
| |
죄송합니다만, 0.01 수준과 여기 파란색 선이 유의수준 0.01을 나타냅니다. 그리고 그 이유는… 우리가 |
| |
우리는 로그워스 공식을 사용해서 이렇게 계산하고 있어요... 아, 그리고 로그워스 공식은 10 곱하기 -로그(밑이 10인 로그)라는 걸 말씀드려야겠네요. 그러니까 파란색 선이 2라는 값을 갖고 있다면, 로그... |
| |
p값 0.02의 로그값... 아니, 0.01의 로그값은 2가 되니까 그 선이 있는 겁니다. |
| |
여기서는 꼭 필요한 건 아니지만, 변수 중 하나로 분석을 한다면 확실히 유용할 겁니다. 그리고 아래쪽에서 요약을 볼 수 있습니다. |
| |
적합도를 분석해서 R 제곱 값이 0.5가 나오면... 그 범위 내에서 얻을 수 있는 최대치가 그 정도입니다. |
| |
그리고 우리는 여기서 추정을 하는데, 이 추정치들이 다중 선형 회귀 분석의 계수라는 것을 알 수 있습니다. |
| |
따라서 이 두 가지는 필요하지 않을 수 있으므로, 간결성을 위해 다음과 같이 하겠습니다... |
| |
저 변수들을 선택해서 여기로 와서 제거하겠습니다. 이제 변수가 두 개 줄었네요. 칩 레벨 변수도 제거할 수 있겠지만, R 제곱 값이 약간 떨어지기 때문에 지금은 그대로 두겠습니다. |
| |
그리고 나머지는 거의 그대로였습니다. 이것이 바로 우리의 모델입니다. 이제 아래로 내려와서 다른 창들을 열어볼 수 있습니다. |
| |
그리고 우리는 개별 항목의 T 비율과 몇 가지 효과 검정을 볼 수 있습니다. 일단 여기까지만 하겠습니다. 창을 최소화하고 마지막으로 시계열 분석을 하나 더 하겠습니다. 다시 분석을 위해 여기로 돌아왔습니다. |
| |
이제 여기 특수 모델링으로 내려가서 시계열 분석을 선택하겠습니다. 그걸 클릭해도 모든 항목이 여전히 선택된 상태입니다. |
| |
저희는 그것을 선택하겠습니다. |
| |
거기에 Y를 넣겠습니다. |
| |
그것도 똑같은 효과를 낼 겁니다. |
| |
너무 많아, 잠깐만. |
| |
여기에 목표 목록을 넣고, 여기에 버튼이 있는데, X 시간 간격으로 시간을 표시하는 방식을 다시 사용하겠습니다. 읽기 쉽도록 시간 순서를 다시 넣어두겠습니다. |
| |
저걸 저기에 넣어. |
| |
실행 버튼을 클릭하세요. |
| |
그리고 지금은 그런 것들은 모두 무시하고, 아래로 내려와서 시계열 진단을 살펴보겠습니다. 조금 더 아래로 스크롤해 보세요. 여기 파란색 선이 바로 그것입니다. |
| |
P값은 유의수준 0.05에서 계산되었으며, 이는 다양한 자기상관과 부분 지연 시간을 살펴본 결과입니다. |
| |
이 주제에 대해 45분 내내 이야기할 수도 있지만, 시간이 부족하니 간단히 요약만 하겠습니다. 우리가 하려는 것은 이러한 모든 지연 시간을 없애는 것입니다. |
| |
저 파란색 선 안쪽입니다. 음, 이 경우에는 한 5, 6, 어쩌면 7 정도까지 올라가야 할 것 같네요. |
| |
그리고 부분적인 지연 시간을 고려했을 때, 대략 3, 4, 5점 정도에 그 지점에 도달합니다. |
| |
그래서 |
| |
우리가 할 일은 여기 빨간 삼각형 부분으로 올라오는 것입니다. |
| |
우리는 ARIMA 모델을 만들고 싶습니다. 그러면 이 윈도우가 생성되고, ARIMA는 자기회귀 통합 이동평균의 약자입니다. 여기서는 차분을 하지 않을 것입니다. |
| |
이미 차분 작업을 마쳤기 때문입니다. 열 끝에 추가된 숫자들은 지연 시간이었고, 이를 통해 모든 데이터가 정렬되었습니다. 따라서 여기서 우리가 하려는 것은 단순히 숫자를 추측하는 것입니다. |
| |
그걸 4로 할게요. 그러니까 4기간 지연이 되는 거죠. |
| |
그리고 여기에서도 이동평균에 대해 같은 방식으로 진행하겠습니다. |
| |
그리고 우리는 그것들에 대해 서로 다른 값을 선택할 수 있고, 절편과 제약 조건 적합도가 어떻게 되는지 살펴보겠습니다. |
| |
추정치를 입력하고 다시 여기로 내려오겠습니다. |
| |
그리고 이게 우리가 얻은 결과입니다. 이전보다 조금 나아졌을 뿐이죠. |
| |
여기로 내려오자. |
| |
그리고 이것을 다시 선택하겠습니다. 시간 관계상 6마디로 입력하겠습니다. |
| |
모든 것을 확인하세요. 견적을 다시 입력해 보세요. |
| |
아래로 스크롤해 보니 이제 좀 더 나아 보이네요. 아마 4~5~6주기 정도의 시차 범위 내에 있는 게 좋을 것 같으니, 한 가지 더 확인해야 할 게 있습니다. |
| |
그래프를 살펴보면... |
| |
그리고 스크립트를 테이블에 저장할 수 있습니다. 닉, 녹화를 잠시 멈춰도 될까요? |
| |
네, 제가 그걸 두어 번 했어요. |
| |
그리고 여기 모델 비교 요약이 있습니다. |
| |
자, 여기 ARMA의 첫 번째 모델이 있습니다. 다시 말씀드리지만, 저희는 차이점을 고려하지 않았기 때문에 ARIMA가 아니라 ARMA라고 부릅니다. 그리고 여기 5개의 마침표가 있는데, 좀 더 자세히 설명해 드리겠습니다. |
| |
조금만 더 손보면 이게 표입니다. 표를 조금 수정했는데, 시간 관계상 언급하고 싶지 않은 열들을 몇 개 삭제했습니다. |
| |
우리가 할 수 있는 건 결과를 살펴보는 겁니다. 결과는 AIC 값을 보여주는데, AIC 값이 낮을수록 더 좋습니다. 그리고 여기서 가장 좋은 모델은 다음과 같습니다. |
| |
첫 번째로 우리는 (5,5)를 했습니다. 우리는 가지고 있습니다. |
| |
1268에서 시작해서 1270, 1271, 1271까지 올라가고, R 제곱 값이 나오는데, 당연히 값이 클수록 좋죠. (6,6) 시차가 가장 좋은 결과를 보인 것 같습니다. R 제곱 값이 약간 더 크긴 하지만, 통계적으로 유의미한 차이는 아닙니다. |
| |
여기서는 MAPE, 즉 평균 백분율 오차를 살펴보겠습니다. 물론 우리는 이 값을 최소화하고 싶어합니다. 그리고 중간 모델, 즉 6기간 구간을 사용한 두 번째 모델이 가장 좋은 결과를 보이며, MAPE는 7.55입니다. |
| |
그리고 여기 아래쪽에 데이터가 더 있습니다. 추정치와 다양한 그래프들을 아래에서 확인하실 수 있습니다. 이 모든 데이터는 데이터 테이블에 저장되었습니다. 제가 좀 정리해 볼게요. |
| |
요약하자면, 우리가 여기서 살펴본 것은 매우 복잡한 공장의 일상적인 운영 모습이었습니다. 우리는 이를 설명하고 이해할 수 있었습니다. |
| |
우리는 먼저 데이터의 시각적 탐색으로 시작했고, 그 다음에는... |
| |
분석 과정에 대해 필요한 정보를 얻기 위해 몇 가지 조사를 했고, 그 덕분에 모든 내용을 데이터 테이블에 저장할 수 있었습니다. |
| |
그리고 한 가지 간단히 말씀드리자면, 저희는 데이터를 통해 분석을 위해 여러 플랫폼을 쉽게 오갈 수 있다는 것을 알게 되었습니다. 이것으로 발표를 마치겠습니다. |
