Go back to the English version of the documentationTCM 节点
TCM 节点 (SPSS Modeler)
Last updated: 2024年11月22日
使用此节点可以创建时间因果模型 (TCM)。
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，并指定这些目标的一组候选输入。 然后，此过程为每个目标构建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关系。 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 模型优于仅对 Y 的过去值进行回归所产生的模型，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。 分析可能会揭示几个可控输入，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在大量相互关联的操作度量中检测异常。 这样，通过因果模型不仅可以检测异常，还能发现这些异常的最有可能的根本原因。
字段要求
必须至少有一个目标。 缺省情况下，不会使用预定义角色为 None 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分类字段（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相关联的记录。
注: 要构建时间因果模型，您需要足够多的数据点。 产品使用以下约束：
m>(L + KL + 1)m 是数据点的数量，L 是延迟数，而 K 是预测变量数。 确保数据集足够大，从而使数据点的数量 (m) 满足条件。