Box-Cox 变换示例

在本例中，您比较两个时间序列分析。在一个分析中，您使用 Box-Cox 变换；在另一个分析中，您分析手动变换的时间序列。当 lambda 值设置为 0 时，Box-Cox 变换为近似对数变换。不过，使用 Box-Cox 变换进行分析使结果更易于解释，因为所有预测都被变换回原始尺度并在原始尺度上报告。

1. 选择帮助 > 样本数据文件夹，然后打开 Time Series/Seriesg.jmp。

2. 选择分析 > 专业建模 > 时间序列。

3. 选择乘客数并点击 Y，时间序列。

4. 选择时间并点击 X，时间 ID。

5. 选择使用 Box-Cox 变换。

对 Lambda 使用默认值 0。

6. 点击确定。

7. 点击“时间序列: Box-Cox 变换的‘乘客数’”旁边的红色小三角，然后选择季节性 ARIMA。

8. 在“季节性 ARIMA 规格”窗口的“ARIMA”部分中，设置以下参数。

‒ 将自回归阶数 p 设置为 0

‒ 将差分阶数 d 设置为 1

‒ 将移动平均阶数 q 设置为 1

9. 在“季节性 ARIMA 规格”窗口的“季节性 ARIMA”部分中，设置以下参数。

‒ 将自回归阶数 P 设置为 0

‒ 将差分阶数 D 设置为 1

‒ 将移动平均阶数 Q 设置为 1

10. 取消选择“截距”以便运行不含截距的模型。

您的窗口现在应该与图 18.22中显示的窗口一致。

图 18.22 指定季节性 ARIMA 

11. 点击估计。

图 18.23 Box-Cox 变换的“乘客数”数据的季节性 ARIMA 模型 

参数估计值与在“乘客数对数”列上运行相同模型所获得的参数估计值相同。不过，图 18.23中的预测和预测区间采用原始尺度。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).