Utilizzare i modelli di serie temporali ARIMA (Auto Regressive Integrated Moving Average) per esaminare l'autocorrelazione, descrivere modelli (tendenze e stagionalità) e prevedere periodi di tempo futuri.
Modellazione ARIMA
- Da una tabella dati JMP® aperta, selezionare Analizza > Modellazione specializzata > Serie temporali .
- Selezionare una variabile continua da Seleziona colonne e fare clic su Y, Serie temporale (le variabili continue hanno triangoli blu).
- Selezionare una variabile temporale e fare clic su X, ID temporale ( facoltativo ). Fare clic su OK .
Nota: i dati devono essere ordinati in base al tempo e con spaziatura uniforme. Se non viene utilizzata alcuna variabile temporale, JMP presupporrà una spaziatura uniforme.
I grafici di autocorrelazione (ACF) e di autocorrelazione parziale (PACF) suggeriscono un modello ARIMA con una componente stagionale di AR (1) e una componente non stagionale di AR (2).
- Fare clic sul triangolo rosso in alto e selezionare ARIMA stagionale . Inserire i valori come mostrato (a destra) e fare clic su Stima . JMP visualizza i risultati del modello.
- Per il modello adattato, controllare i grafici ACF, PACF e Residuo per determinare se è necessario adattare un modello diverso.
Qui ripetiamo il passaggio 4 aggiungendo il "3" a q, Ordine di media mobile sotto ARIMA .
JMP fornisce un report di confronto modelli (di seguito), che indica che il nuovo modello si adatta meglio ai dati (secondo criteri come AIC e SBC). Clicca e trascina la barra di scorrimento in fondo al report per visualizzare tutte le statistiche.
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)Steel Shipments.jmp (Aiuto > Cartella dati di esempio > Serie temporali)
- Per montare contemporaneamente una gamma di modelli ARIMA o ARIMA stagionali, selezionare il gruppo di modelli ARIMA dal triangolo rosso in alto .
- Altre opzioni, come Variogramma , Densità spettrale , Differenza , Modelli di smoothing e Numero di periodi di previsione sono disponibili nel triangolo rosso superiore .
- I modelli ARIMA richiedono che la serie temporale sia stazionaria. Se la serie presenta un trend nel tempo, la differenziazione rimuoverà il trend. Se la serie presenta una varianza non stazionaria, può essere utile calcolare il logaritmo della serie.
- Per prevedere le serie temporali con variabili di input, utilizzare una funzione di trasferimento (utilizzare il campo Elenco input nella finestra di dialogo Serie temporali). I modelli di funzione di trasferimento sono anche chiamati modelli ARIMA con serie di input .
Per saperne di più, visita Modelli predittivi e specializzati > Analisi delle serie temporali nella Guida di JMP .
