Utilisez les modèles de séries temporelles ARIMA (Auto Regressive Integrated Moving Average) pour examiner l'autocorrélation, décrire les tendances et la saisonnalité, et prévoir les périodes futures.
Modélisation ARIMA
- À partir d'une table de données JMP ® ouverte, sélectionnez Analyser > Modélisation spécialisée > Séries temporelles .
- Sélectionnez une variable continue dans Sélectionner les colonnes , puis cliquez sur Y, Série chronologique (les variables continues ont des triangles bleus).
- Sélectionnez une variable temporelle et cliquez sur X, ID temporel ( facultatif ). Cliquez sur D'ACCORD .
Remarque : les données doivent être triées par date et à intervalles réguliers. Si aucune variable temporelle n’est spécifiée, JMP supposera un espacement régulier.
Les graphiques d'autocorrélation (ACF) et d'autocorrélation partielle (PACF) suggèrent un modèle ARIMA avec une composante saisonnière d'AR (1) et une composante non saisonnière d'AR (2).
- Cliquez sur le triangle rouge en haut et sélectionnez ARIMA saisonnier . Saisissez les valeurs comme indiqué (à droite) et cliquez sur Estimer . JMP affiche les résultats du modèle.
- Pour le modèle ajusté, vérifiez les graphiques ACF, PACF et des résidus afin de déterminer si un modèle différent devrait être ajusté.
Ici, nous répétons l'étape 4 en ajoutant le « 3 » à q, ordre de moyenne mobile sous ARIMA .
JMP fournit un rapport de comparaison de modèles (voir ci-dessous) qui indique que le nouveau modèle s'ajuste mieux aux données (selon des critères tels que l'AIC et le SBC). Cliquez et faites glisser le curseur en bas du rapport pour afficher toutes les statistiques.
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)Expéditions d'acier.jmp (Aide > Dossier de données d'exemple > Séries temporelles)
- Pour ajuster simultanément une gamme de modèles ARIMA ou ARIMA saisonniers, sélectionnez Groupe de modèles ARIMA dans le triangle rouge supérieur .
- D'autres options, telles que Variogramme , Densité spectrale , Différence , Modèles de lissage et Number of Forecast Periods, sont disponibles sous le haut triangle rouge .
- Les modèles ARIMA supposent que la série temporelle est stationnaire. Si la série présente une tendance, la différenciation permet de l'éliminer. Si la variance de la série est non stationnaire, la prise du logarithme peut s'avérer utile.
- Pour prévoir la série temporelle à partir des variables d'entrée, utilisez une fonction de transfert (utilisez le champ Liste d'entrée dans la fenêtre de dialogue Série temporelle). Les modèles de fonction de transfert sont également appelés modèles ARIMA avec séries d'entrée .
Consultez la section Modèles prédictifs et spécialisés > Analyse des séries temporelles dans l'aide de JMP pour en savoir plus.
