ARIMA (自己回帰和分移動平均) 時系列モデルを使用して、自己相関を調べ、パターン (傾向と季節性) を説明し、将来の期間を予測します。
ARIMAモデリング
- 開いている JMP ®データ テーブルから、 [分析] > [特殊なモデル] > [時系列]を選択します。
- [列の選択]から連続変数を選択し、 [Y、時系列]をクリックします (連続変数には青い三角形が表示されます)。
- 時間変数を選択し、 「X」、「時間ID （オプション）」をクリックします。 「OK」をクリックします。
注: データは時間順に並べられ、等間隔にする必要があります。時間変数が使用されていない場合、JMPは等間隔であると想定します。
自己相関（ACF）と偏自己相関（PACF）のプロットは、AR（1）の季節性成分とAR（2）の非季節性成分を持つARIMAモデルを示唆しています。
- 上部の赤い三角形をクリックし、 「季節ARIMA」を選択します。右図のように値を入力し、 「推定」をクリックします。JMPにモデルの結果が表示されます。
- 適合モデルについては、ACF、PACF、残差プロットをチェックして、別のモデルを適合する必要があるかどうかを判断します。
ここで、 有馬の移動平均順序のqに「3」を追加して、手順4を繰り返します。
JMPでは、モデル比較レポート（下記参照）が提供されており、新しいモデルがデータにより適合していることが示されます（AICやSBCなどの基準に基づいて）。レポート下部のスライダーバーをクリックしてドラッグすると、すべての統計値が表示されます。
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)Steel Shipments.jmp (ヘルプ > サンプルデータフォルダ > 時系列)
- ARIMA モデルまたは季節 ARIMA モデルの範囲を同時に適合するには、上部の赤い三角形からARIMA モデル グループを選択します。
- Other options, such as バリオグラム, スペクトル密度, 違い, スムージングモデル and 予測期間の数 are available under the トップ 赤い三角.
- ARIMAモデルでは、時系列が定常であることが必要です。時系列に時間の経過とともにトレンドがある場合は、差分をとることでトレンドを除去できます。時系列の分散が非定常である場合は、時系列の対数を取ることで改善できる場合があります。
- 入力変数を用いて時系列を予測するには、伝達関数を使用します（「時系列」ダイアログウィンドウの「入力リスト」フィールドを使用します）。伝達関数モデルは、入力系列を用いたARIMAモデルとも呼ばれます。
詳細については、 JMP ヘルプの「予測モデルと特殊モデル > 時系列分析」を参照してください。
