시계열 플랫폼의 예
시계열 플랫폼을 사용하여 일련의 최대 월별 온도를 검토하고 향후 2년간의 최대 월별 온도를 예측합니다.
1. 도움말 > 샘플 데이터 폴더를 선택하고 Time Series/Raleigh Temps.jmp를 엽니다.
2. 분석 > 전문 모델링 > 시계열을 선택합니다.
3. Temperature를 선택하고 Y, 시계열을 클릭합니다.
4. Month/Year를 선택하고 X, 시간 ID를 클릭합니다.
5. 예측 주기 옆의 상자에 "24"를 입력합니다.
이 값은 데이터에 적합된 모형을 사용하여 예측되는 미래 기간의 수입니다. 다음 2년, 즉 24개월 동안의 월별 온도를 예측하려고 합니다.
6. 확인을 클릭합니다.
그림 18.2 Raleigh Temps.jmp에 대한 시계열 분석 보고서
시계열 그래프에서는 계열이 순환적임을 보여 줍니다. 이 순환 성분은 자기상관 차트에서도 분명하게 확인할 수 있습니다. 1 시차의 점은 양의 상관관계가 있습니다("자기상관" 값 = 0.8007). 점이 멀어질수록 음의 상관관계가 된 후 다시 양의 상관관계를 보이고 패턴이 반복됩니다. 시계열 그래프와 자기상관 차트는 시계열에 계절성 특성이 있다는 증거를 제공합니다.
7. "시계열"의 빨간색 삼각형을 클릭하고 ARIMA를 선택합니다.
8. 계열에 자기상관 증거가 보였으므로 "p, 자기회귀 차수"를 "1"로 설정합니다.
9. 추정을 클릭합니다.
10. "시계열"의 빨간색 삼각형을 클릭하고 계절 ARIMA를 선택합니다.
11. 계열에 자기상관 증거가 보였으므로 "ARIMA" 상자에서 "p, 자기회귀 차수"를 "1"로 설정합니다.
12. 계열에 계절성 증거가 보였으므로 "계절 ARIMA" 상자에서 "D, 차분 차수"를 "1"로 설정합니다.
13. 추정을 클릭합니다.
14. 모형 비교 테이블에서 두 모형에 대한 "그래프" 아래의 상자를 선택합니다.
그림 18.3 Raleigh Temps.jmp에 대한 모형 비교 테이블
모형 비교 테이블은 AIC 통계량에 따라 내림차순으로 정렬됩니다. 즉, 최량 적합 모형이 보고서 맨 위에 나타납니다. 계절 ARIMA 모형의 AIC 값(693.4)이 정규 ARIMA 모형의 AIC 값(924.5)보다 훨씬 작습니다. 그래프에서는 ARIMA 모형이 관측된 점을 비교적 잘 예측하지만 잔차가 계절 ARIMA 모형의 잔차보다 크다는 것을 보여 줍니다. 또한 계절 ARIMA 모형의 예측 구간이 더 좁으므로 미래 관측값에 대해 보다 현실적인 예측을 제공합니다. 계열이 계절 성분에 대한 증거를 보여 주었으므로 이러한 결과가 타당합니다.