Temporale kausale Modelle
Mithilfe der temporalen kausalen Modellierung lassen sich kausale Schlüsselbeziehungen in Zeitreihendaten erkennen. Bei der temporalen kausalen Modellierung geben Sie ein Set von Zielzeitreihen und ein Set von möglichen Eingaben für diese Ziele an. Daraufhin erstellt die Prozedur ein autoregressives Zeitreihenmodell für jedes der Ziele und schließt nur solche Eingaben ein, die eine kausale Beziehung zum Ziel haben. Dieses Methode unterscheidet sich von der traditionellen Zeitreihenmodellierung, bei der Sie die Prädiktoren für eine Zielzeitreihe explizit angeben müssen. Da bei der temporalen kausalen Modellierung üblicherweise Modelle für mehrere zusammengehörige Zeitreihen erstellt werden, wird das Ergebnis als Modellsystem bezeichnet.
Im Zusammenhang mit der temporalen kausalen Modellierung bezieht sich der Begriff kausal auf die Granger-Kausalität. Nach dem Granger-Kausalitätsprinzip führt eine Zeitreihe X zu einer Zeitreihe Y, wenn eine Regression für Y in Bezug auf vorangehende Werte sowohl von X als auch von Y ein besseres Modell für Y hervorbringt, als wenn nur die vorangehenden Werte von Y einer Regression unterzogen worden wären.
Beispiele
Entscheidungsträger in Unternehmen können die temporale kausale Modellierung verwenden, um innerhalb einer großen Menge zeitbasierter Metriken zur Beschreibung des Unternehmens kausale Beziehungen zu erkennen. Die Analyse macht möglicherweise einige steuerbare Eingaben sichtbar, die die größten Auswirkungen auf Leistungskennzahlen haben.
Manager großer IT-Systeme können mithilfe der temporalen kausalen Modellierung Anomalien innerhalb einer großen Menge in Wechselbeziehung zueinander stehender operativer Metriken erkennen. Das kausale Modell ermöglicht dann über die Erkennung dieser Anomalien hinaus die Aufspürung ihrer wahrscheinlichsten Ursachen.
Feldanforderungen
Es muss mindestens ein Ziel vorhanden sein. Standardmäßig werden Felder mit der vordefinierten Rolle "Keine" nicht verwendet.
Datenstruktur
Die temporale kausale Modellierung unterstützt zwei Datenstrukturtypen.
- Spaltenbasierte Daten
- Bei spaltenbasierten Daten enthält jedes Zeitreihenfeld die Daten für eine einzelne Zeitreihe. Dies ist die traditionelle Struktur für Zeitreihendaten, wie sie von der Zeitreihenmodellierung verwendet wird.
- Mehrdimensionale Daten
- Bei mehrdimensionalen Daten enthält jedes Zeitreihenfeld die Daten für mehrere Zeitreihen. Innerhalb eines bestimmten Felds werden separate Zeitreihen dann durch ein Set von Werten für kategoriale Felder ermittelt, die als Dimensionsfelder bezeichnet werden. Beispielsweise könnten Umsatzdaten für zwei unterschiedliche Vertriebskanäle (Einzelhandel und Internet) in einem einzigen Feld namens Umsatz gespeichert werden. Ein Dimensionsfeld mit der Benennung channel und den Werten 'retail' und 'web' gibt die Datensätze an, die jedem der beiden Verkaufskanäle zugeordnet sind.
Mit dieser Prozedur wird TCM MODEL -Befehlssyntax eingefügt.