>).
Якщо причина автокореляції - в неправильній специфікації функціональної форми моделі, то слід змінити форму зв'язку факторних і результативних ознак.
Існують два найбільш поширених методу визначення автокореляції залишків: 1) шляхом побудови графіка залежності залишків від часу і візуальне визначення наявності або відсутності автокореляції; 2) використання критерію Дарбіна-Уотсона і розрахунок величини
Одним з найбільш поширених способів моделювання тенденції часового ряду є побудова аналітичної функції, що характеризує залежність рівнів ряду від часу або тренда. Цей спосіб називають аналітичним вирівнюванням часового ряду.
Для побудови трендів найчастіше застосовуються такі функції:
- лінійний тренд:;
- гіпербола: ; p> - експонентний тренд: або;
- поліноміальний тренд:
- поліном 2-го ступеня;
- поліном 3-го ступеня.
Розрахунок оцінок параметрів трендових моделей з допомогою методу найменших квадратів у рамках регресійних моделей, в яких в Як значення залежної змінної виступають фактичні рівні ряду, а в ролі незалежної змінної - час t. Для нелінійних трендових моделей застосовується процедури лінеаризації. У тому випадки, якщо рівняння тренду перетворити до лінійного вигляду неможливо, застосовують нелінійні методи оцінювання коефіцієнтів.
При наявності неявній нелінійної тенденції слід доповнювати описані вище методи якісним аналізом динаміки досліджуваного показника, з тим, щоб уникнути помилок специфікації при виборі виду тренда.
Якісний аналіз передбачає вивчення проблем можливої вЂ‹вЂ‹наявності в досліджуваному часовому ряді поворотних точок і зміни темпів приросту, починаючи з певного моменту. У разі якщо рівняння тренда вибрано невірно при великих значеннях t , результати прогнозу на основі обраного виду тренда будуть недостовірними.
Існує кілька підходів до аналізу структури часових рядів, що містять сезонні або циклічні коливання. Найпростіший підхід - побудова адитивної або мультиплікативної моделі часового ряду методом ковзної середньої.
При короткостроковому прогнозуванні, а також при прогнозуванні в ситуації зміни зовнішніх умов, коли більш важливими є останні реалізації досліджуваного процесу, більш ефективними виявляються адаптивні методи, що враховують нерівноцінність рівнів часового ряду.
Адаптивні моделі прогнозування - це моделі дисконтування даних, здатні швидко пристосовувати свою структуру і параметри до зміни умов. Інструментом прогнозу в адаптивної моделі є математична модель, аргументом якої виступає - час.
При оцінці параметрів адаптивних моделей, на відміну від В«кривих зростанняВ», спостереженнями (Рівнями ряду) присвоюються різні ваги, залежно від того, наскільки сильним визнається їх вплив на поточний рівень. Це дозволяє враховувати зміни в тенденції, а також будь-які коливання, в яких простежується закономірність. Як приклад можна назвати модель експо...
