预测和专业建模 > 时间序列分析
发布日期: 09/18/2023

时间序列分析

拟合时间序列模型和转换函数

使用“时间序列”平台,您可以探索、分析和预测一元时间序列。时间序列是在一系列等间隔的时间期间上得到的一组观测值。时间上靠得很近的观测通常相关。时间序列方法利用这个观测之间的相关性更好地预测序列在将来是什么样子。

时间序列数据所共有的特征包括季节性、趋势和自相关性。“时间序列”平台提供处理这些特征的选项。可使用一些图形(如变差图、自相关性图、偏自相关性图和谱密度图)来标识适合描述和预测时间序列的模型类型。在平台中还提供几个分解方法,使您可以去除数据中的季节性或一般趋势来简化分析。或者,平台可以拟合更复杂的 ARIMA 模型和“状态空间平滑”模型,它们可以在一个模型中包含季节性和长期趋势。还可以执行 Box-Cox 变换,并对变换后的序列进行分析和建模。

有若干方法来评估模型的预测性能。“针对保留进行预测”功能将时间序列划分到一个训练部分中以构建模型,还划分到一个保留部分中以评估预测性能。

图 18.1 预测图 

Forecast Plot

目录

“时间序列”平台概述

“时间序列”平台示例

启动“时间序列”平台

“时间序列”报表

时间序列图
时间序列基本诊断图

“时间序列”平台选项

时间序列诊断
差分和分解
时间序列模型
其他选项

其他时间序列报表

差分报表
分解报表
“模型比较”报表
模型报表
“状态空间平滑”报表
“转换函数模型”报表
“谱密度”报表

“时间序列”平台的更多示例

创建时间 ID 列的示例
Box-Cox 变换示例
使用保留集的示例

“时间序列”平台的统计详细信息

谱密度的统计详细信息
X-11 分解的统计详细信息
指数平滑模型的统计详细信息
ARIMA 模型的统计详细信息
转换函数的统计详细信息
需要更多信息?有问题?从 JMP 用户社区得到解答 (community.jmp.com).