![]() |
Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | |
|
Методы сглаживания данных можно разделить на 2 группы:
- аналитические, при использовании которых заранее предполагается вид зависимости, описывающей тенденцию ряда, с последующей оценкой параметров модели сглаживания;
- алгоритмические, которые не предполагают априорных знаний сглаживающей кривой, ориентируясь лишь на алгоритм расчета сглаженных уровней ряда.
К классу алгоритмических методов выявления тенденций во временных рядах относятся разнообразные процедуры усреднения данных по ряду, т.е. построению их сглаженных усредненных значений. Наиболее широкое применение методы алгоритмического сглаживания находят либо в условиях, когда исследователь имеет дело с короткими рядами, либо в условиях высокой нестабильности, хаотичности исследуемой системы.
Методы простого и взвешенного скользящего среднего - идея этих методов заключается в том, что мы выбираем интервал сглаживания m и далее по заданному заранее алгоритму рассчитываем взвешенное усредненное значение показателя для интервала сглаживания.
Часто при исследовании временных рядов используют методы экспоненциального сглаживания. Они позволяют более обоснованно и сбалансировано учитывать в текущем сглаженном уровне временного ряда его историю. Одна из основных особенностей этих методов заключается в том, для расчета сглаженного значения уровня t нам необходимо знать предыдущее сглаженное значение St-1 и фактическое значение временного ряда уt . В практике моделирования динамических рядов используется множество разновидностей моделей Брауна, например линейное и квадратичное экспоненциальное сглаживание.
Модели алгоритмического сглаживания порядков выше нулевого и с наличием подстройки параметров модели часто именуют адаптивными моделями. Модели данного вида отражают текущие свойства ряда и способны непрерывно учитывать эволюцию изучаемого процесса, выражаемую посредством динамики временного ряда.
Обнаружение исследователем факта присутствия во временном ряду систематической составляющей делает насущной задачу оценки параметров модели тренда. Т.е., модели вида , где
- тренд, или систематическая составляющая (неслучайная функция времени) ряда.
- несистематическая случайная составляющая ряда с нулевым математическим ожиданием
и дисперсией
.
Задачу оценивания параметров трендовых моделей на практике пытаются свести к задаче оценки линейной регрессии, так как другие методы достаточно громоздкие.
Линейный регрессионный анализ прогнозирует значение одной переменной на основании другой (или группы) с помощью прямой линии. Наклон этой линии, выражается в единицах измерения У на одну единицу X и характеризует крутизну подъема или спуска (если b отрицательное) линии. Сдвиг, a, равен значению, которое принимает У при X, равном 0. Уравнение прямой линии имеет следующий вид:
Y = Сдвиг + (Наклон)(Х) = а + bХ.
Линия наименьших квадратов характеризуется наименьшей из всех возможных линий суммой возведенных в квадрат ошибок прогнозирования по вертикали и используется как лучшая линия прогнозирования, основанная на данных. Наклон этой линии, b, называют также коэффициентом регрессии У по X, а сдвиг а (отрезок отсекаемый на оси У) называют также постоянным членом регрессии.
Дата публикования: 2015-02-18; Прочитано: 1067 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!