Propriedades de tcmnode

Ícone do nó TCM A modelagem causal temporal tenta descobrir relacionamentos causais chave nos dados de séries temporais. Na modelagem causal temporal, você especifica um conjunto de séries de destino e um conjunto de entradas candidatas a esses destinos. Em seguida, o procedimento constrói um modelo de séries temporais autorregressivo para cada destino e inclui somente as entradas que tiverem o relacionamento causal mais significativo com o destino.

Tabela 1. propriedades tcmnode
Propriedades `tcmnode`	Valores	Descrição da propriedade
`custom_fields`	Booleano
`dimensionlist`	[dimension1 ... dimensionN]
`data_struct`	`Multiple` `Single`
`metric_fields`	campos
`both_target_and_input`	[f1 ... fN]
`targets`	[f1 ... fN]
`candidate_inputs`	[f1 ... fN]
`forced_inputs`	[f1 ... fN]
`use_timestamp`	`Timestamp` `Period`
`input_interval`	`None` `Unknown` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Hour_nonperiod` `Minute` `Minute_nonperiod` `Second` `Second_nonperiod`
`period_field`	sequência
`period_start_value`	Número inteiro
`num_days_per_week`	Número inteiro
`start_day_of_week`	`Sunday` `Monday` `Tuesday` `Wednesday` `Thursday` `Friday` `Saturday`
`num_hours_per_day`	Número inteiro
`start_hour_of_day`	Número inteiro
`timestamp_increments`	Número inteiro
`cyclic_increments`	Número inteiro
`cyclic_periods`	lista
`output_interval`	`None` `Year` `Quarter` `Month` `Week` `Day` `Hour` `Minute` `Second`
`is_same_interval`	`Same` `Notsame`
`cross_hour`	Booleano
`aggregate_and_distribute`	lista
`aggregate_default`	`Mean` `Sum` `Mode` `Min` `Max`
`distribute_default`	`Mean` `Sum`
`group_default`	`Mean` `Sum` `Mode` `Min` `Max`
`missing_imput`	`Linear_interp` `Series_mean` `K_mean` `K_meridian` `Linear_trend` `None`
`k_mean_param`	Número inteiro
`k_median_param`	Número inteiro
`missing_value_threshold`	Número inteiro
`conf_level`	Número inteiro
`max_num_predictor`	Número inteiro
`max_lag`	Número inteiro
`epsilon`	number
`threshold`	Número inteiro
`is_re_est`	Booleano
`num_targets`	Número inteiro
`percent_targets`	Número inteiro
`fields_display`	lista
`series_dispaly`	lista
`network_graph_for_target`	Booleano
`sign_level_for_target`	number
`fit_and_outlier_for_target`	Booleano
`sum_and_para_for_target`	Booleano
`impact_diag_for_target`	Booleano
`impact_diag_type_for_target`	`Effect` `Cause` `Both`
`impact_diag_level_for_target`	Número inteiro
`series_plot_for_target`	Booleano
`res_plot_for_target`	Booleano
`top_input_for_target`	Booleano
`forecast_table_for_target`	Booleano
`same_as_for_target`	Booleano
`network_graph_for_series`	Booleano
`sign_level_for_series`	number
`fit_and_outlier_for_series`	Booleano
`sum_and_para_for_series`	Booleano
`impact_diagram_for_series`	Booleano
`impact_diagram_type_for_series`	`Effect` `Cause` `Both`
`impact_diagram_level_for_series`	Número inteiro
`series_plot_for_series`	Booleano
`residual_plot_for_series`	Booleano
`forecast_table_for_series`	Booleano
`outlier_root_cause_analysis`	Booleano
`causal_levels`	Número inteiro
`outlier_table`	`Interactive` `Pivot` `Both`
`rmsp_error`	Booleano
`bic`	Booleano
`r_square`	Booleano
`outliers_over_time`	Booleano
`series_transormation`	Booleano
`use_estimation_period`	Booleano
`estimation_period`	`Times` `Observation`
`observations`	lista
`observations_type`	`Latest` `Earliest`
`observations_num`	Número inteiro
`observations_exclude`	Número inteiro
`extend_records_into_future`	Booleano
`forecastperiods`	Número inteiro
`max_num_distinct_values`	Número inteiro
`display_targets`	`FIXEDNUMBER` `PERCENTAGE`
`goodness_fit_measure`	`ROOTMEAN` `BIC` `RSQUARE`
`top_input_for_series`	Booleano
`aic`	Booleano
`rmse`	Booleano
`date_time_field`	campo	Campo de hora/data
`auto_detect_lag`	Booleano	Esta configuração especifica o número de termos de lag para cada entrada no modelo para cada resposta.
`numoflags`	Número inteiro	Por padrão, o número de termos de lag é determinado automaticamente a partir do intervalo de tempo que é utilizado para a análise.
`re_estimate`	Booleano	Se você já gerou um modelo causal temporal, selecione esta opção para reutilizar as configurações de critérios que forem especificadas para esse modelo, ao invés de construir um novo modelo.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	Por padrão, a saída é exibida para os destinos que estiverem associados aos 10 modelos de melhor ajuste, conforme determinado pelo valor de R-quadrado. É possível especificar um número fixo diferente de modelos de melhor ajuste ou especificar uma porcentagem de modelos de melhor ajuste.