ARIMA(자기회귀 통합 이동평균) 시계열 모델을 사용하여 자기상관을 분석하고, 패턴(추세 및 계절성)을 설명하며, 미래 기간을 예측합니다.
ARIMA 모델링
- 열려 있는 JMP ® 데이터 테이블에서 분석 > 특수 모델링 > 시계열을 선택합니다.
- [열 선택] 에서 연속 변수를 선택하고 [Y, 시계열]을 클릭합니다(연속 변수는 파란색 삼각형으로 표시됩니다).
- 시간 변수를 선택하고 X를 클릭한 다음 시간 ID ( 선택 사항 )를 클릭합니다. 확인을 클릭합니다.
참고: 데이터는 시간순으로 정렬하고 등간격으로 배치해야 합니다. 시간 변수를 사용하지 않으면 JMP는 등간격으로 간주합니다.
자기상관(ACF) 및 부분자기상관(PACF) 플롯은 AR(1)의 계절적 구성 요소와 AR(2)의 비계절적 구성 요소를 갖는 ARIMA 모델을 나타냅니다.
- 상단의 빨간색 삼각형을 클릭하고 '계절 ARIMA'를 선택합니다. 오른쪽 그림과 같이 값을 입력하고 '추정'을 클릭합니다. JMP에 모델 결과가 표시됩니다.
- 적합된 모델에 대해 ACF, PACF 및 잔차 플롯을 확인하여 다른 모델을 적합해야 하는지 판단하십시오.
여기서는 4단계를 반복하여 q에 "3"을 더합니다. 이는 아리마 에 따른 이동평균 순서입니다 .
JMP는 아래와 같은 모델 비교 보고서를 제공합니다. 이 보고서는 AIC 및 SBC와 같은 기준에 따라 새 모델이 데이터에 더 잘 맞는다는 것을 보여줍니다. 보고서 하단의 슬라이더 막대를 클릭하고 드래그하여 모든 통계를 확인하세요.
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)철강 출하량.jmp (도움말 > 샘플 데이터 폴더 > 시계열)
- 다양한 ARIMA 또는 계절 ARIMA 모델을 동시에 적용하려면 상단의 빨간색 삼각형 에서 ARIMA 모델 그룹을 선택하십시오.
- 베리오그램 , 스펙트럼 밀도 , 차이 , 평활화 모델 및 예측 기간 수 와 같은 다른 옵션은 맨 위 빨간색 창에서 사용할 수 있습니다.
- ARIMA 모델은 시계열이 정상성을 가져야 합니다. 시계열에 시간 경과에 따른 추세가 있는 경우, 차분을 통해 추세를 제거할 수 있습니다. 시계열의 분산이 비정상적이라면, 시계열의 로그를 취하는 것이 도움이 될 수 있습니다.
- 입력 변수를 사용하여 시계열을 예측하려면 전달 함수를 사용하십시오(시계열 대화 상자의 입력 목록 필드 사용). 전달 함수 모델은 입력 시계열이 있는 ARIMA 모델 이라고도 합니다.
자세한 내용을 알아보려면 JMP 도움말 의 예측 및 특수 모델 > 시계열 분석을 방문하세요.
