Verwenden Sie ARIMA-Zeitreihenmodelle (Auto Regressive Integrated Moving Average), um Autokorrelationen zu untersuchen, Muster (Trends und Saisonalität) zu beschreiben und zukünftige Zeiträume vorherzusagen.
ARIMA-Modellierung
- Wählen Sie in einer geöffneten JMP® - Datentabelle Analysieren > Spezialisierte Modellierung > Zeitreihen .
- Wählen Sie unter Spalten auswählen eine stetige Variable aus und klicken Sie auf Y, Zeitreihe (stetige Variablen sind mit blauen Dreiecken gekennzeichnet).
- Wählen Sie eine Zeitvariable aus und klicken Sie auf X, Zeit-ID ( optional ). Klicken Sie auf OK .
Hinweis: Die Daten müssen nach Zeit sortiert und gleichmäßig verteilt sein. Wird keine Zeitvariable verwendet, geht JMP von gleichmäßiger Verteilung aus.
Die Autokorrelations- (ACF) und partiellen Autokorrelationsdiagramme (PACF) legen ein ARIMA-Modell mit einer saisonalen Komponente von AR (1) und einer nicht-saisonalen Komponente von AR (2) nahe.
- Klicken Sie auf das obere rote Dreieck und wählen Sie „Saisonales ARIMA“. Geben Sie die Werte wie abgebildet (rechts) ein und klicken Sie auf „Schätzen“ . JMP zeigt die Modellergebnisse an.
- Prüfen Sie für das angepasste Modell die ACF-, PACF- und Residuenplots, um festzustellen, ob ein anderes Modell angepasst werden sollte.
Hier wiederholen wir Schritt 4 und addieren die „3“ zu q, Gleitender Durchschnitt unter ARIMA .
JMP stellt unten einen Modellvergleichsbericht bereit, der zeigt, dass das neue Modell besser zu den Daten passt (gemäß Kriterien wie AIC und SBC). Klicken und ziehen Sie den Schieberegler am unteren Rand des Berichts, um alle Statistiken anzuzeigen.
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)Steel Shipments.jmp (Hilfe > Beispieldatenordner > Zeitreihen)
- Um gleichzeitig eine Reihe von ARIMA- oder saisonalen ARIMA-Modellen anzupassen, wählen Sie die ARIMA-Modellgruppe aus dem oberen roten Dreieck aus.
- Weitere Optionen wie Variogramm , Spektraldichte , Differenz , Glättungsmodelle und Anzahl der Vorhersageperioden sind unter dem Spitze roten Dreieck verfügbar.
- ARIMA-Modelle setzen voraus, dass die Zeitreihe stationär ist. Weist die Reihe einen Trend auf, kann dieser durch Differenzbildung entfernt werden. Weist die Reihe eine nicht-stationäre Varianz auf, kann die Logarithmierung der Reihe hilfreich sein.
- Um die Zeitreihe mit Eingangsvariablen vorherzusagen, verwenden Sie eine Transferfunktion (nutzen Sie dazu das Feld „Eingabeliste“ im Dialogfenster „Zeitreihe“). Transferfunktionsmodelle werden auch als ARIMA-Modelle mit Eingangsreihen bezeichnet.
Besuchen Sie in der JMP-Hilfe unter „Vorhersage- und Spezialmodelle > Zeitreihenanalyse“, um mehr zu erfahren.
