|
..РОССИЙСКАЯ1 ГОСУДАРСТВЕННАЯ БИБЛИОТЕКА I 3. Регрессия ряда [110] с сезонной поправкой по времени служит для оценивания долгосрочного тренда [111] в виде прямой линии как функции от времени, т.е. эта переменная времени может состоять из чисел 1,2,3,.... Этот тренд (тенденция) не отражает сезонных колебаний и дает возможность получить прогноз с сезонной поправкой. 4. Прогнозирование можно выполнять с помощью сезонности тренда. Получая из уравнения регрессии прогнозируемые значения (тренд) для будущих периодов времени и затем, умножая их на соответствующий сезонный индекс, мы получаем прогнозы, которые отражают как долгосрочную тенденцию, так и сезонное поведение. Временной ряд с памятью означает, что значение какого-либо его уровня зависит от значений предшествующих уровней. Это свойство означает, что для уровней временного ряда не выполняется условие их независимости. Как следует из теории [109], численная оценка одной из фрактальных характеристик временного ряда, обладающего долговременной памятью, и есть глубина памяти временного ряда. Эффект долговременной памяти является процессом черного шума и представляет собой тенденцию персистентного временного ряда (0,5 < Н < 1), которая порождает тренды и циклы. Численные оценки глубины памяти рассматриваемого временного ряда выражаются через длины трендов и циклов этого временного ряда. В терминах нелинейной динамики систем средняя длина цикла временного ряда есть длительность (т. е. число уровней), по истечении которой теряется память о начальных условиях. Для конкретного временного ряда потеря памяти о его начале сопровождается изменением начального тренда в его R/Sтраектории. В терминах математической статистики номер точки указанной смены тренда R/Sтраектории означает количество наблюдений (т. е. уровней данного временного ряда), после которых падает до нуля долгосрочная корреляция с начальными уровнями временного ряда. 41 |
значения. Выполняя группирование по сезонным периодам, например, по времени года, а затем усреднение в полученных группах, находим сезонный индекс для каждого времени года. Выполняя деление каждого значения ряда на соответствующий сезонный индекс для соответствующего времени года, находим значения с сезонной поправкой. 3. Регрессия ряда [77,114] с сезонной поправкой (У) по времени (лг) служащая для оценивания долгосрочного тренда [74] в виде прямой линии как функции от времени, т.е. эта переменная времени X может состоять из чисел 1,2,3,... . Этот тренд (тенденция) не отражает сезонных колебаний и дает возможность получить прогноз с сезонной поправкой. 4. Прогнозирование, выполняемое с учетом сезонности тренда. Получая из уравнения регрессии прогнозируемые значения (тренд) для будущих периодов времени и затем, умножая их на соответствующий сезонный индекс, можно получать прогнозы, которые отражают как долгосрочную тенденцию, так и сезонное поведение. Анализ публикаций, посвященных методам и моделям прогнозирования, позволяет утверждать о существовании большого количества классификационных схем методов прогнозирования [41,60,92,95,118]. Однако большинство из них или неприемлемы, или обладают недостаточной познавательной ценностью. Основной погрешностью существующих классификационных схем является нарушение принципов классификации. К числу основных таких принципов, относятся: достаточная полнота охвата прогностических методов, единство классификационного признака на каждом уровне членения при многоуровневой классификации, непересекаемость разделов классификации, открытость классификационной схемы, т.е. возможность дополнения новыми методами. Предлагаемая в работе [118] многоуровневая классификация методов прогнозирования вполне сохраняет свою адекватность в настоящее время. Каждый уровень определяется своим классификационным признаком: степенью формализации, общим принципом действия, способом получения про |