nó TCM

Utilize esse nó para criar um modelo causal temporal (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 série temporal autorregressivo para cada resposta e inclui somente as entradas que tiverem o relacionamento causal com a resposta. Esta abordagem difere da modelagem tradicional de séries temporais em que se deve especificar explicitamente os preditores para uma série de resposta. Como a modelagem causal temporal normalmente envolve a construção de modelos para várias séries temporais relacionadas, o resultado é referido como um sistema de modelo.

No contexto de modelagem causal temporal, o termo causal refere-se à causalidade de Granger. Uma série temporal X que é dita como "causando Granger" em uma outra série temporal Y se estiver regredindo para Y em termos de valores passados de de X e Y resulta em um melhor modelo para Y do que regredindo somente em valores passados de Y.

Exemplos

Tomadores de decisão de negócios podem usar modelagem causal temporal para descobrir relacionamentos causais dentro de um grande conjunto de métricas baseadas em tempo que descrevem os negócios. A análise pode revelar algumas entradas controláveis, que têm o maior impacto em principais indicadores de desempenho.

Gerenciadores de sistemas de TI grandes podem usar modelagem causal temporal para detectar anomalias em um grande conjunto de métricas operacionais inter-relacionadas. O modelo causal então permite ir além da detecção de anomalias e descobrir as causas raiz mais prováveis das anomalias.

Requisitos de campo

Deve haver pelo menos uma resposta. Por padrão, os campos com uma função predefinida de None não são usados.

Estrutura de dados

A modelagem causal temporal suporta dois tipos de estruturas de dados:

Dados baseados em coluna: Para dados baseados em coluna, cada campo de série temporal contém os dados para uma série temporal única. Essa estrutura é a estrutura tradicional dos dados de séries temporais, conforme usada pelo Modelador de Série Temporal.
Dados multidimensionais: Para dados multidimensionais, cada campo de série temporal contém os dados para múltiplas séries temporais. Séries temporais separadas, em um determinado campo, são então identificadas por um conjunto de valores de campos categóricos chamados de campos de dimensão. Por exemplo, os dados de vendas de dois canais de vendas diferentes (varejo e web) podem ser armazenados em um único campo sales . Um campo de dimensão denominado channel, com valores retail e web, identifica os registros que estão associados a cada um dos dois canais de vendas.

Nota: Para construir um modelo causal temporal, você precisa de pontos de dados suficientes. O produto usa a restrição:

m>(L + KL + 1)

em que m é o número de pontos de dados, L é o número de atrasos e K é o número de preditores. Certifique-se de que seu conjunto de dados é grande o suficiente para que o número de pontos de dados (m) satisfaça a condição.