|
|
Это обстоятельство породило так называемое дисконтирование, т. е. уменьшение ценности более ранней информации. − Проблема оценки достоверности прогнозов. Важным моментом получения прогноза с помощью МНК является оценка достовер- ности полученного результата. Для этой цели используется це- лый ряд статистических характеристик: 1. Оценка стандартной ошибки; 2. Средняя относительная ошибка оценки; 3. Среднее линейное отклонение; 4. Корреляционное отношение для оценки надежности модели; 5. Оценка достоверности выбранной модели через значимость индекса корреляции по Z-критерию Фишера; 6. Оценка достоверности модели по F-критерий Фишера; 7. Нали- чие автокорреляций (критерий Дарбина – Уотсона). − Недостатки, обусловленные жесткой фиксацией тренда. Жесткие статистические предложения о свойствах временных рядов ог- раничивают возможности методов математической статистики, теории распознавания образов, теории случайных процессов и т.п., так как многие реальные процессы не могут адекватно быть описаны с помощью традиционных статистических моделей, по- скольку по сути являются существенно нелинейными и имеют либо хаотическую, либо квазипериодическую, либо смешанную основу. − Проблемы и недостатки метода экспоненциального сглажива- ния. Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглажи- вания α, начальных условий и степени прогнозирующего поли- нома. Кроме того, для определения начальных параметров моде- ли остаются актуальными перечисленные недостатки МНК и проблема автокорреляций. − Проблемы и недостатки метода вероятностного моделирования. Недостатком модели является требование большого количества наблюдений и незнание начального распределения, что может привести к неправильным оценкам. − Проблемы и недостатки метода адаптивного сглаживания. При наличии достаточной информации можно получить надежный прогноз на интервал больший, чем при обычном экспоненциаль- ном сглаживании. Но это лишь при очень длинных рядах. К со- жалению, для данного метода нет строгой процедуры оценки не- обходимой или достаточной длины исходной информации, для конечных рядов нет конкретных условий оценки точности прогноза. |
Выводы к теоретической главе 2 |