Нелинейные регрессии, Эксперт построения моделей. Модель Нелинейные модели Нелинейный мнк
Скачать 1.45 Mb.
|
Рис. 1 • В верхнем меню выбираем команды Данные → Определить дату и время. Откроется диалоговое окно Задать даты (рис. 2). Рис. 2 Задаем дату, связанную с первым наблюдением (например, январь 2010 г.), и интервал времени между последовательными наблюдениями. Это приводит к набору переменных, отмечающих даты, связанные с каждым наблюдением. Этим же задается предполагаемая периодичность данных, например, периодичность 12, если временной интервал между последовательными наблюдениями равен одному месяцу. Эта периодичность необходима, если нужно создать сезонные модели. Если сезонные модели не нужны и метки данных в выводе не требуются, то диалоговое окно Задать даты можно пропустить. В этом случае меткой, связанной с каждым наблюдением, будет просто номер наблюдения. • Щелкнув на кнопку ОK, перейдем в таблицу данных, в которой добавились новые переменные YEAR, MONTH, DATE (рис. 3). Рис. 3 • В верхнем меню выбираем команды Анализ → Прогнозирование → Создать традиционные модели. Откроется диалоговое окно Мастер моделей временных рядов (рис. 4). Рис. 4 • Выделим переменную «Авиаперевозки» и перенесем ее в список Зависимые переменные. В качестве метода в группе Метод устанавливаем Эксперт построения моделей и нажмем на кнопку Критерии. Откроется диалоговое окно Мастер моделей временных рядов: Критерии эксперта построения… (рис. 5). Рис. 5 • Установите флажки, как указанно на рис. 5, и щелкните на кнопке Продолжить, чтобы вернуться в диалоговое окно Мастер моделей временных рядов (рис. 4). • Последовательно щелкаем по вкладкам Статистика, Графики, Сохранение, Параметры и устанавливаем необходимые выводные значения: • Нажимаем кнопку ОK в диалоговом окне Мастер моделей временных рядов и получаем результаты. На рис. 6 приведены результаты оценивания параметров модели методом Эксперт построения моделей.
Рис. 6 Идентификация модели: ARIMA(1,1,0)(0,1,1)12 (без свободного параметра). Имело место логарифмическое преобразование исходной переменной, дифференцирование исходного ряда с лагом 1 и сезонное дифференцирование с лагом 1. Данная модель содержит коэффициент авторегрессии p(1) = -0,344 для учета линейного тренда в динамике объема авиаперевозок yt и коэффициент сезонного скользящего среднего Qs(1) = 0, 424. Приведенные в таблице параметры модели высокозначимы. Ошибка подгонки = 3,4 %. На рис. 7 приведены результаты прогноза объема авиаперевозок на 12 месяцев вперед и доверительные границы прогнозных значений
Рис. 7 На рис. 8 приведен график динамики переменной yt (объем авиаперевозок) и прогноз с доверительным интервалом (верхняя и нижняя границы) на 12 месяцев вперед Рис. 8 ▲ В настоящее время прогнозирование на основе авторегрессионных моделей стали важным инструментом в деятельности плановых, аналитических, маркетинговых отделов производственных предприятий, банков, торговых и страховых компаний. Авиаперевозки модель ARIMA(1,1,0)(0,1,1)12 Без преобразований и с константой Без преобразований и без константы Логарифм. преобразование без константы |