时间因果模型

时间因果建模尝试发现时间序列数据中的关键因果关系。在时间因果建模中，您指定一组目标序列以及这些目标的候选输入集。这样，过程将为每个目标构建一个自回归时间序列模型，并且仅包括那些与目标具有因果关系的输入。此方法不同于传统时间序列建模，在传统时间序列建模中，您必须为目标序列显式指定预测变量。由于时间因果建模通常涉及为多个相关的时间序列构建模型，因此结果称为模型系统。

在时间因果建模上下文中，术语因果指的是格兰杰因果。对于时间序列 X 和时间序列 Y，如果同时依据 X 和 Y 的过去值对 Y 进行回归所产生的 Y 模型比仅对 Y 的过去值进行回归所产生的模型要好，那么将时间序列 X 称为时间序列 Y 的“格兰杰原因”。

示例

业务决策制定者可以使用时间因果建模来发现描述业务的大量基于时间的度量中的因果关系。分析可能会显示少量可控制的输入，这些输入对关键绩效指标的影响最大。

大型 IT 系统的管理者可以使用时间因果建模来检测大量相互关联的操作度量中的异常。这样，通过因果模型不仅可以检测异常，还能发现异常的最可能的根本原因。

字段要求

至少必须有一个目标。缺省情况下，将不使用预定义角色为“无”的字段。

数据结构

时间因果建模支持两种类型的数据结构。

基于列的数据: 对于基于列的数据，每个时间序列字段都包含单个时间序列的数据。此结构是时间序列建模器所使用的传统时间序列数据结构。
多维数据: 对于多维数据，每个时间序列字段都包含多个时间序列的数据。这样，特定字段内的单独时间序列将由类别字段（称为维度字段）的一组值标识。例如，两种不同销售渠道（零售和 Web）的销售数据可能存储在单个 sales 字段中。名为 channel 且值为“retail”和“web”的维度字段标识与这两种销售渠道中的每种渠道关联的记录。

此过程将粘贴 TCM MODEL 命令语法。