時間的因果モデル

時間的因果モデリングでは、時系列データの重要な因果関係の発見が試みられます。時間的因果モデリングでは、対象系列のセットとそれらの対象への入力の候補のセットを指定します。そうすると、プロシージャにより、各対象の自己回帰時系列モデルが作成され、対象に対して因果関係を持つ入力のみが含まれます。このアプローチは、対象系列の予測値を明示的に指定する必要がある従来型の時系列モデリングとは異なります。通常、時間的因果モデリングでは、関連する複数の時系列のモデルを作成します。そのため、結果はモデルシステムと呼ばれます。

時間的因果モデリングのコンテキストでは、因果という用語は、グレンジャー因果関係を指します。X および Y の両方の過去の値の観点で Y について回帰した方が、Y の過去の値のみを回帰するよりもより良い Y のモデルが作成される場合、時系列 X は、「グレンジャー原因」の別の時系列 Y に伝えられます。

注: 時間的因果モデリング・ノードは、IBM® SPSS® Collaboration and Deployment Services 内のモデル評価ステップまたはチャンピオン・チャレンジャー・ステップをサポートしません。

例

ビジネスの意思決定者は、時間的因果モデリングを使用して、ビジネスを説明する一連の大規模な時間ベースのメトリック内の因果関係を発見できます。この分析により、重要業績評価指標に重大な影響を及ぼすいくつかの制御可能な入力が明らかになることがあります。

巨大な IT システムのマネージャーは、時間的因果モデリングを使用して、相互に関連する一連の大規模な操作メトリックの異常値を検査できます。したがって、因果モデルでは、異常値を検査するだけではなく、最も可能性の高い異常値の根本原因を発見できます。

フィールドの要件

少なくとも 1 つの対象が必要です。デフォルトでは、定義済み役割が「なし」のフィールドは使用されません。

データ構造

時間的因果モデリングでは、2 つのタイプのデータ構造がサポートされます。

列ベースのデータ: 列ベースのデータの場合、各時系列フィールドには、単一の時系列のデータが含まれます。この構造は、時系列モデラーで使用される、従来型の時系列データの構造です。
多次元データ: 多次元データの場合、各時系列フィールドには、複数の時系列のデータが含まれます。特定のフィールド内の個々の時系列は、dimension フィールドと呼ばれるカテゴリー型フィールドの一連の値によって識別されます。例えば、2 つの異なる販売チャネル (小売と Web) の売上データを単一の sales フィールドに保管できます。「小売」および「Web」という値を持つ channel という名前の次元フィールドは、これらの 2 つの各販売チャネルに関連付けられたレコードを識別します。

注: 時間的因果モデルを作成するには、十分なデータ・ポイントが必要です。製品では、次の制約が使用されます。

m>(L + KL + 1)

ここで、m はデータ・ポイント数、L はラグ数、K は予測値の数を表します。データ・ポイント数 (m) が条件を満たすように、データ・セットのサイズが十分に大きいことを確認してください。