Нейросети
Нейросети
Нейросети
Нейросети
Нейросети





Нейросети
  Глава 1     Глава 2   

 

 

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.








Подпись: Начало
Подпись: Дальше

Выводы к теоретической главе 2