аційний процес видалити параметри з неприпустимою області. Проте в деяких випадках і ця стратегія може виявитися невдалою, і ви все одно побачите на екрані (під час процедури оцінювання) дуже великі значення на серії ітерацій. У таких випадках слід з обережністю оцінювати придатність моделі. Якщо модель містить багато параметрів і, можливо, мається інтервенція, то слід кілька разів випробувати процес оцінювання з різними початковими. Якщо модель містить багато параметрів і, можливо, інтервенцію, вам слід повторити процедуру з різними початковими значеннями параметрів. p> Якщо значення обчислюється статистики не значимі, відповідні параметри в більшості випадків видаляються з моделі без шкоди підгонки.
Інший звичайної мірою надійності моделі є порівняння прогнозу, побудованого за урізаному ряду з "відомими (вихідними) даними".
Однак якісна модель повинна не лише давати досить точний прогноз, але бути економною і мати незалежні залишки, що містять тільки шум без систематичних компонент (зокрема, АКФ залишків не повинна мати будь-якої періодичності). Тому необхідний всебічний аналіз залишків. Хорошою перевіркою моделі є: графік залишків та вивчення їх трендів, перевірка АКФ залишків (на графіку АКФ зазвичай чітко видна періодичність). p> Якщо залишки систематично розподілені (наприклад, негативні в першій частині ряду і приблизно рівні нуля у другій) або включають деяку періодичну компоненту, то це свідчить про неадекватність моделі. Аналіз залишків надзвичайно важливий і необхідний при аналізі часових рядів. Процедура оцінювання передбачає, що залишки НЕ коррелірованни і нормально розподілені. p> Слід нагадати, що модель АРПСС є підходящою тільки для рядів, які є стаціонарними (середнє, дисперсія і автокорреляция приблизно постійні в часі); для нестаціонарних рядів слід брати різниці. Рекомендується мати, як мінімум, 50 спостережень у файлі вихідних даних. Також передбачається, що параметри моделі постійні, тобто не змінюються в часі.
Існують дві основні мети аналізу часових рядів: (1) визначення природи ряду і (2) прогнозування (пророкування майбутніх значень часового ряду по теперішнім і минулим значенням). Обидві ці цілі вимагають, щоб модель ряду була ідентифікована і, більш-менш, формально описана. Як тільки модель визначена, з'являється можливість з її допомогою інтерпретувати представлені дані (наприклад, використовувати в теорії для розуміння сезонного зміни надходження). Не звертаючи уваги на глибину розуміння і справедливість теорії, можливо екстраполювати потім ряд на основі знайденої моделі, тобто передбачити його майбутні значення.
4. Застосування методів економетричного моделювання
.1 Експоненціальне згладжування
Розглянемо аналіз часових рядів на практиці. Наша мета: побудова моделі та визначення короткострокового прогнозу. Аналіз за допомогою АРПСС вимагає попередньої роботи з ідентифікації моделі. Потрібні експерименти, щоб знайти задовільну модель. Часто мета АРПСС полягає не тільки в побудові прогнозу, але і в пояснення природи моделі (інтерпретація числа і типів параметрів). У цих випадках експоненціальне згладжування є альтернативною, більш легкою процедурою, яка дає прогноз порівнянного якості. p align="justify"> На графіках прогнозів представлено найбільш ймовірне поведінку ряду і допустимі інтервали, в яких ряд буде лежати з імовірністю 90%. Також ці дані представлені в таблицях прогнозів. Це дозволяє зробити висновки, не тільки про очікуване значенні, а й про максимально і мінімально можливому. Виходячи з цих даних, компанія може розпланувати діяльність у відповідності зі своєю політикою. p align="justify"> Методи STATISTICA Visual Basic дозволяють автоматично знайти потрібний прогноз з потрібним ступенем точності простим методом перебору, не знаючи заздалегідь природу моделі. Це дозволяє будувати прогнози "з нуля" - без яких або підготовчих аналізів і не володіючи обширними знаннями в теорії математичної статистики. p align="justify"> Програма обчислює практично всі використовувані описові статистики загального характеру: медіану, моду, квартили, задані користувачем процентилю, середнє значення і стандартне відхилення, квартильное розмах, довірчі інтервали для середнього, асиметрію і ексцес, і так далі.
Для досягнення нашої мети використовуємо моделі експоненціального згладжування і ARIMA моделі, реалізовані в програмі STATISTICA. В якості вихідних даних узятий часовий ряд: кількість страхових полісів РСТК, продаваних компанією (дані компанії В«Приморське агентство авіаційних компанійВ»). Дані представлені подекадно з січня 2010 по жовтень 2011 року. (Таблиця 1)
Таблиця 1
ГодМесяцВиручка по таріфуКол-во полісовГодМесяцВиручка по таріфуКол-во полісів (тис. крб.) (тис.
Побудуємо графік, на якому буде показано наочно, скільки полісів РСТ...
