Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Адаптивные модели прогнозирования.
Адаптивные модели прогнозирования – это модели дисконтирования данных, способные быстро приспосабливать свою структуру и параметры к изменению условий. Инструментом прогноза в адаптивных моделях является математическая модель с единственным фактором «время».
В основе адаптивных методов лежит модель экспоненциального сглаживания, которая описывается формулой:
St = λ yt + (1 - λ) St-1
Где St – значение экспоненциальной средней в момент t; λ – параметр сглаживания, 0 < λ < 1.
Когда эта форма применяется рекурсивно, то каждое новое сглаженное значение (которое является также прогнозом) вычисляется как взвешенное среднее текущего наблюдения и сглаженного ряда. Очевидно, что результат сглаживания зависит от параметра λ:
· Если λ = 1, то предыдущие наблюдения полностью игнорируются;
· Если λ = 0, то игнорируются текущие наблюдения;
· Если 0 < λ < 1, то значения λ дают промежуточные результаты.
При использовании экспоненциальной средней для краткосрочного прогнозирования предполагается, что модель ряда (модель Брауна) имеет вид:
yt = at + εt
где at – варьирующий во времени средний уровень ряда; εt – случайные отклонения с нулевым математическим ожиданием и дисперсией σ2.
Прогнозная модель определяется равенством
ŷτ(t) = ȃt
где ŷτ(t) – прогноз, сделанный в момент t на τ единиц времени вперед; ȃt – оценка at.
Единственный параметр модели ȃt определяется экспоненциальной средней ȃt = St, ȃ0 = S0.
Начальное значение S0 вычисляется как среднее всех наблюдений.
В качестве критерия оптимальности при выборе параметра сглаживания λ обычно принимают критерий минимума ἒ (средней абсолютной величины относительной ошибки)
Алгоритм проверки адекватности множественной регрессионной модели (сущность этапов проверки, расчетные формулы, формулировка вывода).
Проверка качества или адекватности множественной модели регрессии состоит из следующих этапов:
· Проверка качества уравнения регрессии
· Проверка значимости уравнения регрессии
· Анализ статистической значимости параметров модели
· Проверка выполнения предпосылок МНК
Для проверки качества уравнения регрессии вычисляют коэффициент множественной корреляции R и коэффициент детерминации R2.
Чем ближе к единице значение этих характеристик, тем выше качество модели.
В многофакторной регрессии добавление дополнительных объясняющих переменных увеличивает коэффициент детерминации. Следовательно, коэффициент детерминации должен быть скорректирован с учетом числа независимых переменных. Скорректированный R2 рассчитывается так:
Где n – число наблюдений, k - число независимых переменных.
Для проверки значимости уравнения регрессии используется F-критерий Фишера, вычисляемый по формуле:
Если расчетное значение с v1 = k и v2 = n – k – 1 степенями свободы, где k – количество факторов, включенных в модель, больше табличного при заданном уровне значимости α, то модель считается значимой.
Анализ статистической значимости параметров модели (коэффициентов регрессии) проводится с использованием t-статистики путем проверки гипотезы о равенстве нулю j-го параметра уравнения (кроме свободного члена):
Где Saj – это стандартное (среднеквадратическое) отклонение коэффициента уравнения регрессии аj
Величина Saj представляет собой квадратный корень из произведения несмещенной оценки дисперсии S2 и j-того диагонального элемента матрицы, обратной матрице системы нормальных уравнений:
Где bjj – диагональный элемент матрицы (X’X)-1
Если расчетное значение t-критерия с (n-k-1) степенями свободы больше его табличного значения при заданном уровне значимости α, коэффициент регрессии считается значимым. В противном случае фактор, соответствующий этому коэффициенту, следует исключить из модели (при этом ее качество не ухудшится).
Проверка выполнения предпосылок МНК:
Условия, необходимые для получения несмещенных, состоятельных и эффективных оценок, представляют собой предпосылки МНК:
· Математическое ожидание случайной составляющей в любом направлении должно быть равно нулю.
· Зависимая переменная yi есть величина случайная, а объясняющая переменная xi – величина неслучайная. Если это условие выполнено, то теоретическая ковариация между независимой переменной и случайным членом равна нулю.
· В любых двух наблюдениях отсутствует систематическая связь между значениями случайной составляющей.
· Дисперсия случайной величины должна быть постоянна для всех наблюдений
Гетероскедастичность случайного возмущения (определение). Алгоритм теста Голдфелда-Квандта на наличие или отсутствие гетероскедастичности случайных возмущений в парной регрессионной модели.
Гетероскедастичность случайного возмущения – это нарушение условия гомоскедастичности, или равноизменчивости возмущений означающее, что дисперсия возмущения зависит от значений факторов.
Алгоритм теста Голфелда-Квандта:
Данный тест используется для такого типа гетероскедастичности, когда дисперсия остатков возрастает пропорционально квадрату фактора. При этом делается предположение, что случайная составляющая ε распределена нормально.
Чтобы оценить нарушение гомоскедастичности по тесту Голфелда-Квандта, необходимо выполнить следующие шаги:
· Упорядочить n наблюдение по мере возрастания переменой X
· Исключить d средних наблюдений (d должно быть примерно равно ¼ общего количества наблюдений)
· Разделить совокупность на 2 группы (соответственно с малыми и большими значениями фактора X) и определить по каждой из групп уравнение регрессии
· Определить остаточную сумму квадратов для первой регрессии и второй регрессии
· Вычислить отношение . В числителе должна быть бо’льшая сумма квадратов
4. Коэффициент детерминации в парной регрессионной модели: определение, расчетная формула, смысл компонентов формулы, смысл коэффициента детерминации.
Коэффициент детерминации показывает долю вариации результативного признака, находящегося под воздействием изучаемых факторов, т.е. определяет, какая доля вариации признака Y учтена в модели и обусловлена влиянием на него факторов.
Чем ближе R2 к единице, тем выше качество модели.
Дата публикования: 2015-11-01; Прочитано: 2198 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!