Cтраница 2
Знание автокорреляционной функции / т может оказать существенную помощь при подборе модели анализируемого временного ряда и статистической оценке ее параметров. [16]
Заметим, что условиям классической регрессионной модели удовлетворяют и гомоскедастичная модель пространственной выборки, и модель временного ряда, наблюдения которого не коррелируют, а дисперсии постоянны. [17]
Во-вторых, для длительного периода и средний и последний прогнозы являются более точными, нежели прогноз любой из моделей временного ряда. В-третьих, наиболее распространенный прогноз более точен, чем любой из прогнозов других моделей. [18]
Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов ( периодов), называются моделями временных рядов. [19]
С помощью модулей анализа собственных значений определяются собственные значения и собственные векторы действительных несимметрических и симметрических матриц, а с помощью модулей прогнозирования и анализа временных рядов - анализ структуры, оценка параметров моделей временных рядов и анализ временных рядов. [20]
Модули пакета обеспечивают: ввод и первичный контроль данных с записью на магнитном диске или магнитной ленте и прогнозирование и анализ временных рядов ( 15 модулей) - анализ структуры, оценку параметров моделей временных рядов и анализ временных рядов; генерацию случайных чисел ( 5 модулей) - генерацию равномерно и нормально распределенных случайных чисел с заданными характеристиками; решение линейных алгебраических уравнений ( 10 модулей) для различного типа матриц системы; вычисление специальных функций ( 21 модуль) - статистических и математических; многомерный анализ ( 16 модулей) - представление структуры экспериментальных данных с использованием моделей регрессионного анализа и метода главных компонентов корреляционного анализа; операции над матрицами ( 14 модулей) - арифметические операции над матрицами, транспонирование, обращение матриц и преобразование способов их хранения. [21]
Модели временных рядов используют ту же историческую информацию, что и более простая модель, описанная в предыдущем разделе. Они представляют собой попытку получить более точные предсказания на основе этих же данных, но при использовании более изощренных статистических методов. [22]
Большинство моделей временных рядов, используемых при прогнозировании прибыли, построено на основе квартальных данных о прибыли на акцию. В своей обзорной статье Батке и Лорек ( Bathke and Lorek, 1984) указали, что три модели временных рядов принесли пользу в предсказании квартальной прибыли на акцию. Все три модели являются сезонными авторегрессионными интегрированными моделями скользящего среднего ( SARIMA), поскольку квартальные прибыли на акцию имеют сильный сезонный компонент. [23]
При использовании моделей временных рядов в предсказании прибыли возникает несколько вопросов. Во-первых, модели временных рядов требуют многих данных, и именно поэтому большинство из них строится на основе квартальной прибыли на акцию. В большинстве оценок главное внимание уделяется предсказанию годовой прибыли на акцию, а не квартальной прибыли. В-третьих, превосходство предсказанной прибыли на основе моделей временных рядов уменьшается при увеличении периода оценки. Если учесть, что предсказания прибыли в процессе оценки должны делаться для нескольких лет, а не кварталов, то модели временных рядов, по всей вероятности, имеют ограниченную ценность. Наконец, исследования показали, что предсказания аналитиков превосходят даже лучшие модели временных рядов для оценки будущей прибыли. [24]
Во многих практических случаях для производственных показателей нефтедобывающей промышленности исходная информация состоит лишь из последовательности наблюдений за определенный период. Поэтому имеет смысл для статистического анализа таких показателей применять модели нестационарного временного ряда. [25]
Процесс предварительного оценивания прекращается по принятию гипотезы об адекватности модели временного ряда или по исчерпанию допустимого числа параметров. [26]
Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных, называются моделями временных рядов. [27]
При анализе точности этих моделей и определении интервальных ошибок прогноза на их основе, будем полагать, что рассматриваемые в главе регрессионные модели временных рядов удовлетворяют условиям классической модели. Модели временных рядов, в которых нарушены эти условия, будут рассмотрены в гл. [28]
При использовании моделей временных рядов в предсказании прибыли возникает несколько вопросов. Во-первых, модели временных рядов требуют многих данных, и именно поэтому большинство из них строится на основе квартальной прибыли на акцию. В большинстве оценок главное внимание уделяется предсказанию годовой прибыли на акцию, а не квартальной прибыли. В-третьих, превосходство предсказанной прибыли на основе моделей временных рядов уменьшается при увеличении периода оценки. Если учесть, что предсказания прибыли в процессе оценки должны делаться для нескольких лет, а не кварталов, то модели временных рядов, по всей вероятности, имеют ограниченную ценность. Наконец, исследования показали, что предсказания аналитиков превосходят даже лучшие модели временных рядов для оценки будущей прибыли. [29]
Поскольку изменения инфляции сигнализируют об изменениях процентных ставок, экономисты и аналитики потратили много времени и ресурсов на прогнозирование инфляции, что дало смешанные результаты. Используемые подходы к прогнозированию колеблются от наивных построений до изощренных подходов и основаны на всем, начиная от интуитивного чутья и кончая детально разработанными моделями. Детально разработанные модели прогнозирования не превосходят модели временных рядов в коротком периоде, но они способны полнее охватывать изменения инфляции в длительном периоде, поскольку в них рассматривается информация, выходящая за пределы той, что доступна по историческим данным о темпах инфляции. [30]