Виды регрессионных моделей

При удалении изображения файл на диске сохраняется, но происходит сти­рание всех его вхождений в чертеж, описания и относящихся к нему связей.

1. Выбрать в меню Insert / Image Manager (Вставка / Диспетчер изображе­ний) или нажать кнопку Image (Изображение) на панели инструментов
Reference (Ссылки) для вызова диспетчера растровых изображений.

2. В диалоговом окне Image Manager (Диспетчер растровых изображений)
(рис. 11.3) выделить имя изображения и нажать кнопку Delete (Удалить)
для удаления отмеченного растрового изображения.

3. Нажать кнопку ОК для выхода из диалогового окна.

Глава 3. регрессионный анализ данных в сфере управления (двумерный случай)

Виды регрессионных моделей

Довольно часто исследователь сталкивается с необходимостью анализа данных, преследуя конечную цель – построение математических моделей.

Математические модели широко применяются в бизнесе, экономике, общественных науках, даже в исследованиях политических процессов. Их роль не ограничивается анализом сущности происходящих процессов. Модели, если они адекватны описываемым явлениям, могут быть использованы для прогноза значений зависимой переменной в будущем или для других наборов значений объясняющих (независимых) переменных. Первая задача носит название экстраполяция, вторая – интерполяция.

Для анализа и/или прогноза применяются три основных класса моделей:

- тренда:

y (t) = T (t) + e _t, (3.1)

где T (t) – временной тренд заданного параметрического вида (например, линейный T (t) = a + bt), где e _t — случайная компонента;

- сезонности:

y (t) = S (t) + e _t, (3.2)

где S (t) – периодическая (сезонная) компонента, e _t – случайная компонента;

- тренда и сезонности:

y (t) = T (t) + S (t) + e _t (аддитивная) (3.3)

или

y (t) = T (t) × S (t) + e _t (мультипликативная), (3.4)

где T (t) – временной тренд заданного параметрического вида, S (t) – периодическая (сезонная) компонента, e _t – случайная компонента.

Кроме этих простейших, к моделям временных рядов относится также множество более сложных моделей, таких как модели адаптивного прогноза, модели авторегрессии и скользящего среднего и др. Все эти модели имеют общую черту: они объясняют поведение временного ряда, основываясь только на его предыдущих значениях. Такие модели могут применяться для изучения и прогнозирования объема продаж билетов на различные виды транспорта, спроса на товары сезонного ассортимента, краткосрочного прогноза процентных ставок и т.п.