Utilizzare questo nodo per creare un modello causale temporale (TCM, Temporal Causal Model).
La modellazione causale temporale cerca di rilevare le relazioni causali di chiavi nei dati di serie temporali. Nella modellazione causale temporale, l'utente specifica un insieme di serie di destinazione e un insieme di input candidati per tali destinazioni. La procedura poi crea un modello di serie temporali autoregressivo per ogni destinazione e include solo gli input che hanno una relazione causale con la destinazione. Questo approccio differisce dalla modellazione di serie temporali tradizionale in quanto è necessario specificare esplicitamente i predittori per una serie di destinazione. Poiché la modellazione causale temporale generalmente implica la creazione di modelli di più serie temporali correlate, il risultato è indicato come sistema modello.
In un contesto di modellazione causale temporale, il termine causale fa riferimento alla causalità di Granger. Una serie temporale X sottopone alla "causalità di Granger" un'altra serie temporale Y se la regressione per Y in termini di valori passati di X e Y comporta un modello migliore per Y rispetto alla sola regressione di valori passati di Y.
Esempi
I responsabili delle decisioni di business possono utilizzare la modellazione causale temporale per scoprire relazioni causali nell'ambito di un elevato insieme di metriche basate sul tempo che descrivono il business. L'analisi potrebbe rivelare alcune immissioni controllabili che hanno il maggiore impatto sugli indicatori di prestazioni chiave (KPI, Key Performance Indicator).
I gestori di sistemi informatici di grandi dimensioni possono utilizzare la modellazione causale temporale per rilevare anomalie in un'ampia serie di metriche operative interconnesse. Il modello causale consente quindi di andare oltre il rilevamento delle anomalie e di scoprire le cause più probabili delle anomalie.
Requisiti dei campi
Deve essere presente almeno un obiettivo. Per impostazione predefinita, i campi con un ruolo predefinito None non vengono utilizzati.
Struttura dei dati
La modellazione causale temporale supporta due tipi di strutture dati:
- Dati basati su colonne
- Per dati basati su colonne, ciascun campo delle serie temporali contiene i dati per una singola serie temporale. Questa è la struttura tradizionale dei dati delle serie temporali utilizzata da Modeler di serie temporali.
- Dati multidimensionali
- Per dati multidimensionali, ciascun campo delle serie temporali contiene i dati per più serie temporali. Serie temporali separate, all'interno di un particolare campo, vengono quindi identificate da un serie di
valori di campi categoriali indicati come campi dimensione. Ad esempio, i dati di vendite per due diversi canali di vendita (vendita al dettaglio e web) potrebbero essere memorizzati in un singolo campo
sales. Un campo dimensione denominatochannel, con valoriretaileweb, identifica i record associati a ciascuno dei due canali di vendita.
m>(L + KL + 1)m è il numero di
punti dati,
L è il numero di ritardi e
K è il numero di predittori. Verificare che il proprio dataset sia abbastanza grande in modo che il numero
di punti dati
(m) soddisfi la condizione.