Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Модели скользящего среднего.
Модель скользящего среднего предполагает, что в ошибках модели в предшествующие периоды сосредоточена информация обо всей предыстории ряда. В этой модели каждое новое значение – среднее между текущей флуктуацией и несколькими (в частности, одной) предыдущими ошибками. Процесс скользящего среднего порядка q , обозначаемые MA(q) имеют вид:
, (8.16)
где - «белый шум» (импульс, шок) с . В моделях скользящего среднего для обеспечения стационарности ряда не требуется накладывать никаких ограничений на параметры . Однако, если в модели MA (1) параметр , то текущее значение будет зависеть от своих прошлых значений берущихся с весами, бесконечно растущими по мере удаления в прошлое:
(8.17) Чтобы избежать этого, надо, чтобы веса образовывали сходящийся ряд, т.е. . Широко распространены в статистической практике модели скользящего среднего 1-го и 2-го порядка:
MA (1): (8.18)
MA (2): . (8.19)
Авторегрессионные модели со скользящими средними в остатках. На практике в целях экономичного описания анализируемого процесса в модель могут быть включены как члены, описывающие Авторегрессионные составляющие, так и члены, моделирующие остаток в виде процесса скользящих средних. Такой процесс называется процессом авторегрессии скользящего среднего – ARMA (p,q):
(8.20) или (8.21) Здесь единственное слагаемое ошибки AR – процесса заменяется на процесс MA (q). Такая модель может интерпретироваться как линейная модель множественной регрессии, в которой в качестве объясняющих переменных выступают прошлые значения самой зависимой переменной, а в качестве регрессионного остатка – скользящие средние из элементов белого шума. Стационарность процесса ARMA обеспечивается условием , а обратимость, в свою очередь гарантируется выполнением условия . Одним из наиболее важных этапов построения моделей стационарных временных рядов является определение ее порядка. Предварительная оценка производится на основе экономического анализа. Чрезмерное повышение порядка модели может и не повысить ее точность. Одновременно расчет большего числа коэффициентов модели при неизменной выборке снижает достоверность оценки каждого из коэффициентов. В то же время недостаточное число коэффициентов модели не позволяет отразить в должной мере динамику процесса и оценить его дальнейшие изменения. Для определения порядка процесса модели исследуются такие характеристики, как автокорреляционная функция и частная автокорреляционная функция. На практике, как правило, используют следующие виды моделей, идентифицировать которые можно с помощью анализа АКФ и ЧАКФ (табл. 1.5)[23].
Таблица 1.5 Свойства АКФ и ЧАКФ
ARMА- процессы имеют более сложную структуру по сравнению со схожими по поведению AR- или MA- процессами в чистом виде, но при этом ARMA- процессы характеризуются меньшим количеством параметров, что является одним из их преимуществ. |
||||||||||||||||||||
Последнее изменение этой страницы: 2018-04-12; просмотров: 298. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |