Utilice modelos de series temporales ARIMA (promedio móvil integrado autorregresivo) para examinar la autocorrelación, describir patrones (tendencias y estacionalidad) y pronosticar períodos de tiempo futuros.
Modelado ARIMA
- Desde una tabla de datos JMP ® abierta, seleccione Analizar > Modelado especializado > Series de tiempo .
- Seleccione una variable continua en Seleccionar columnas y haga clic en Y, Serie de tiempo (las variables continuas tienen triángulos azules).
- Seleccione una variable de tiempo y haga clic en X, ID de tiempo ( opcional ). Haga clic en Aceptar .
Nota: Los datos deben ordenarse por tiempo y espaciarse equitativamente. Si no se utiliza la variable de tiempo, JMP asumirá que el espaciado es equitativo.
Los gráficos de autocorrelación (ACF) y autocorrelación parcial (PACF) sugieren un modelo ARIMA con un componente estacional de AR (1) y un componente no estacional de AR (2).
- Haga clic en el triángulo rojo superior y seleccione ARIMA estacional . Introduzca los valores como se muestra (derecha) y haga clic en Estimar . JMP muestra los resultados del modelo.
- Para el modelo ajustado, verifique los gráficos ACF, PACF y Residuales para determinar si se debe ajustar un modelo diferente.
Aquí, repetimos el paso 4 agregando el “3” a q, Orden de promedio móvil bajo ARIMA .
JMP proporciona un informe de comparación de modelos (a continuación), que indica que el nuevo modelo se ajusta mejor a los datos (según criterios como AIC y SBC). Haga clic y arrastre la barra deslizante en la parte inferior del informe para ver todas las estadísticas.
Steel Shipments.jmp (Help > Sample Data Folder > Time Series)Envíos de acero.jmp (Ayuda > Carpeta de datos de muestra > Series temporales)
- Para instalar simultáneamente una gama de modelos ARIMA o ARIMA de temporada, seleccione Grupo de modelos ARIMA en el triángulo rojo superior .
- Otras opciones, como Variograma , Densidad espectral , Diferencia , Modelos de suavizado y Número de períodos de pronóstico, están disponibles en el triángulo rojo superior .
- Los modelos ARIMA requieren que la serie temporal sea estacionaria. Si la serie presenta una tendencia a lo largo del tiempo, la diferenciación la eliminará. Si la serie presenta una varianza no estacionaria, calcular el logaritmo de la serie puede ser útil.
- Para pronosticar las series temporales con variables de entrada, utilice una función de transferencia (utilice el campo Lista de entrada en el cuadro de diálogo Series temporales). Los modelos de función de transferencia también se conocen como modelos ARIMA con series de entrada .
Visite Modelos predictivos y especializados > Análisis de series de tiempo en la Ayuda de JMP para obtener más información.
