预测和专业建模 > 时间序列分析 > “时间序列”平台示例
发布日期: 08/07/2020

“时间序列”平台示例

该示例使用 Raleigh Temps.jmp 样本数据表,它包含从 1980 到 1990 年测量的每月最高温度(华氏度)。使用“时间序列”平台来查看序列并预测接下来两年的每月最高温度。

1. 选择帮助 > 样本数据库,然后打开 Time Series/Raleigh Temps.jmp

2. 选择分析 > 专业建模 > 时间序列

3. 选择温度并点击 Y,时间序列

4. 选择月/年份并点击 X,时间 ID

5. 预测周期数旁边的框中键入 24。

这是拟合数据的模型所要预测的将来周期数。您要预测接下来的两年(涵盖 24 个月)的每月温度。

6. 点击确定

Raleigh Temps.jmp 的时间序列分析报表 

“时间序列”图显示序列是周期性的。该周期性成分在自相关性图中也很明显。相距 1 个滞后期的点是正相关的,自相关性值为 0.8007。当点的距离变远时,变为负相关,然后再次正相关,以该模式重复下去。“时间序列”图和自相关性图提供了时间序列中存在季节性的证据。

7. 点击“时间序列”红色小三角菜单,然后选择 ARIMA

8. 将自回归阶数 p 设置为 1,因为该序列显示了自相关性的证据。

9. 点击估计

10. 点击“时间序列”红色小三角菜单,然后选择季节性 ARIMA

11. 在“ARIMA”框中,将自回归阶数 p 设置为 1,因为该序列显示了自相关性的证据。

12. 在“季节性 ARIMA”框中,将季节差分阶数 D 设置为 1,因为该序列显示了季节性的证据。

13. 点击估计

14. 在“模型比较”表中,为两个模型选中图形下的框。

Raleigh Temps.jmp 的“模型比较”表 

“模型比较”表按 AIC 统计量的降序排序。这意味着最佳拟合模型显示在报表顶部。季节性 ARIMA 模型的 AIC 值 (693.4) 远小于常规 ARIMA 模型的 AIC 值 (924.5)。图形显示尽管 ARIMA 模型预测观测点相对较好,但是残差大于季节性 ARIMA 模型的残差。此外,季节性 ARIMA 模型对于将来的观测的预测更符合实际,预测区间更狭窄。这些结果是合理的,因为序列显示了季节性成分的证据。

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