Cтраница 2
При построении моделей регрессии по временным рядам для устранения тенденции используются следующие методы. [16]
Заметим, что модель регрессии строится для поверхности отклика в окрестности точки р и определена при q экспериментальных отсчетах для каждой из п переменных управления. [17]
Данная модель называется моделью регрессии по скользящим средним. [18]
Существует подход к исследованию моделей регрессии, не требующий предварительного выбора параметрического семейства функций F в рамках которого проводится дальнейший анализ. Речь идет о так называемых не параметрических ( или частично-параметрических) методах исследования регрессионных зависимостей, которым посвящена гл. [19]
В частности, в моделях регрессии часто ошибка принимается распределенной по этому закону. Предпосылка Н.р. учитывается и в большинстве критериев статистической проверки гипотез. Между тем в экономике Н.р. во многих случаях неприменимо: напр. [20]
Моделью авторегрессии порядка т называется модель регрессии, в которой в качестве результирующего показателя рассматривается анализируемая переменная в некоторый момент /, а в качестве объясняющих переменных ( предикторов) используются значения той же самой переменной в т непосредственно предшествующих / моментов ее наблюдения. Модели авторегрессии относятся к наиболее распространенным прогностическим моделям, используемым при исследовании динамических зависимостей. [21]
В чем состоит специфика построения моделей регрессии по временным рядам данных. [22]
Укрупненно процесс прогнозирования при помощи моделей ав-то регрессии может быть представлен такой последовательностью этапов: выбор порядка модели; оценка параметров выбранной модели; получение прогнозов на основании достроенной модели; корректировка коэффициентов модели. [23]
Рассмотрим основной подход к оценке параметров модели регрессии в случае, когда имеет место автокорреляция остатков. [24]
Общий метод определения градиента заключается в использовании модели регрессии поверхности отклика в окрестности рабочей точки. [25]
Анализ возможностей известных моделей для управления ректификационными колоннами ШШ позволяет рассматривать модели регрессии как вполне конкурентоспособные при. Их применение позволяет избежать процедуры потарелочного расчета, не требуют большого объема памяти УВМ и гарантирует быстродействие вычислительной процедуры. [26]
Полученный результат носит статистический характер, и в нем по существу использовалась модель регрессии. [27]
Рассмотрим еще один метод моделирования временного ряда, содержащего сезонные колебания, - построение модели регрессии с включением фактора времени и фиктивных переменных. Количество фиктивных переменных в такой модели должно быть на единицу меньше числа моментов ( периодов) времени внутри одного цикла колебаний. Например, при моделировании поквартальных данных модель должна включать четыре независимые переменные - фактор времени и три фиктивные переменные. Каждая фиктивная переменная отражает сезонную ( циклическую) компоненту временного ряда для какого-либо одного периода. Она равна единице для данного периода и нулю для всех остальных периодов. [28]
Эти результаты позволяют, в частности, строить асимптотические доверительные интервалы для неизвестной размерности модели регрессии. [29]
Рассмотрим еще один метод моделирования временного ряда, содержащего сезонные колебания, - построение модели регрессии с включением фактора времени и фиктивных переменных. Количество фиктивных переменных в такой модели должно быть на единицу меньше числа моментов ( периодов) времени внутри одного цикла колебаний. Например, при моделировании поквартальных данных модель должна включать четыре независимые переменные - фактор времени и три фиктивные переменные. Каждая фиктивная переменная отражает сезонную ( циклическую) компоненту временного ряда для какого-либо одного периода. Она равна единице для данного периода и нулю для всех остальных периодов. [30]