Modelos causales temporales

El modelado causal temporal intenta descubrir relaciones causales clave en datos de series temporales. En el modelado causal temporal, especifique un conjunto de series de objetivos y un conjunto de entradas candidato para estos objetivos. El procedimiento crea un modelo de serie temporal autorregresivo para cada objetivo y solo incluye las entradas que tienen una relación causal con el objetivo. Este enfoque difiere del modelado de serie temporal tradicional donde debe especificar explícitamente los predictores para una serie de objetivos. Puesto que el modelado causal temporal normalmente implica crear modelos para varias series temporal relacionadas, se hace referencia al resultado como un sistema de modelo.

En el contexto del modelado causal temporal, el término causal hace referencia a la causalidad Granger. En una serie temporal X se indica que la "causa Granger" provoca otra serie temporal Y si realiza una regresión para Y en términos de valores pasados de ambos resultados, X e y, en un modelo mejor para Y que realiza una regresión solo en los valores pasados en Y.

Nota: El nodo Modelado causal temporal no soporta los pasos Evaluación de modelo o Ganador-competitivo en IBM® SPSS Collaboration and Deployment Services.

Ejemplos

Los tomadores de decisiones empresariales pueden utilizar el modelado causal temporal para descubrir relaciones causales en un conjunto grande de métricas basadas en tiempo que describen el negocio. El análisis puede revelar unas pocas entradas controlables, que tienen el mayor impacto en los indicadores de rendimiento clave.

Los gestores de sistemas de TI grandes pueden utilizar el modelado causal temporal para detectar anomalías en un conjunto grande de métricas operativas interrelacionadas. El modelo causal permite ir más allá de la detección de anomalías y descubrir las causas principales más probables de las anomalías.

Requisitos de campo

Debe haber al menos un objetivo. De forma predeterminada, no se utilizan los campos con un papel predefinido de Ninguno.

Estructura de datos

El modelado causal temporal soporta dos tipos de estructuras de datos.

Datos basados en columna: Para datos basados en columna, cada campo de serie temporal contiene los datos para una sola serie temporal. Esta estructura es la estructura tradicional de los datos de serie temporal, tal como se utiliza en el modelador de series temporales.
Datos multidimensionales: Para los datos multidimensionales, cada campo de serie temporal contiene los datos para varias series temporales. Las series temporales separadas, en un campo particular, se identifican mediante un conjunto de valores de campos categóricos a los que se hace referencia como campos de dimensión. Por ejemplo, los datos de ventas para dos canales de ventas diferentes (minorista y web) se podrían almacenar en un único campo ventas. Un campo de dimensión que se llama canal, con los valores 'minorista' y 'web', identifica los registros que están asociados a cada uno de los dos canales de ventas.

Nota: Para generar un modelo causal temporal, necesita suficientes puntos de datos. El producto utiliza la restricción:

m>(L + KL + 1)

donde m es el número de puntos de datos, L es el número de retardos y K es el número de predictores. Asegúrese de que el conjunto de datos es suficientemente grande, de forma que el número de puntos de datos (m) satisface la condición.