propriedades do tcmnode

Ícone do nó TCM A modelagem causal temporal tenta descobrir as principais relações causais em dados de séries temporais. Na modelagem causal temporal, você especifica um conjunto de séries-alvo e um conjunto de entradas candidatas a essas metas. Em seguida, o procedimento cria um modelo de série temporal autorregressiva para cada meta e inclui apenas os inputs que têm a relação causal mais significativa com a meta.

Tabela 1. propriedades tcmnode
`tcmnode` Propriedades	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`	número
`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`	número
`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`	número
`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 Hora/Data
`auto_detect_lag`	Booleano	Essa configuração especifica o número de termos de defasagem para cada entrada no modelo para cada alvo.
`numoflags`	Número Inteiro	Por padrão, o número de termos de defasagem é determinado automaticamente a partir do intervalo de tempo usado para a análise.
`re_estimate`	Booleano	Se você já tiver gerado um modelo causal temporal, selecione essa opção para reutilizar as configurações de critérios especificadas para esse modelo, em vez de criar um novo modelo.
`display_targets`	`"FIXEDNUMBER"` `"PERCENTAGE"`	Por padrão, a saída é exibida para os alvos que estão associados aos 10 modelos de melhor ajuste, conforme determinado pelo valor do quadrado R. Você pode especificar um número fixo diferente de modelos de melhor ajuste ou pode especificar uma porcentagem de modelos de melhor ajuste.