Модель скользящего среднего

Во многих задачах, таких, например, где требуется предсказать будущие значения ряда, необходимо построить параметрическую модель для временного ряда Для того чтобы модель была полезной, она должна иметь физический смысл и включать по возможности небольшое число параметров. Мощной параметрической моделью, которая широко используется на практике для описания эмпирических временных рядов, является процесс скользящего среднего — авторегрессии [c.24]

Эмпирические и физические модели. В некоторых случаях можно построить детальные модели временного ряда, основанные на физике, лежащей в основе явления Например, большие усилия были затрачены на построение моделей атмосферной турбулентности [3] и гидродинамической турбулентности [4] В других ситуациях об исследуемом явлении известно так мало, что нужно прибегать к подгонке эмпирических моделей, таких, как модель скользящего среднего — авторегрессии (1.2 9) Большое преимущество физических моделей состоит в том, что они обычно требуют меньшего количества параметров, чем эмпирические модели Чтобы принять решение о том, тратить ли время и усилия для нахождения физической модели или же прибегнуть к помощи эмпирической модели, требуется рассудительность и интуиция. Вообще необходимо идти на компромисс и использовать любые доступные физические сведения, чтобы иметь основу в начале построения. [c.25]

И ЧТО правила принятия решения по контрольным картам основаны на этом предположении. Джонсон и Бэгшоу показывают, что дисперсии для случаев модели скользящего среднего (МСС) и авторегрессионной модели (АМ) можно представить следующим образом модель среднего скользящего [c.136]

Рис 519 Остаточные дисперсии для моделей скользящего среднего, подобранных к данным о партиях продукта, изображенным на рис 5 2 [c.245]

Отсюда для модели скользящего среднего [c.137]

Метод скользящего среднего. Оценки параметров модели вычисляются по методу наименьших квадратов, причем используются лишь N последних наблюдений. [c.193]

Важность модели (5.2 50) состоит в следующем в то время как модель, основанная на чисто авторегрессионном процессе или на чистом процессе скользящего среднего, может потребовать большого числа параметров, для смешанной модели (5.2 50) их может потребоваться относительно немного. [c.208]

В этом разделе мы применим методы гл 4 к оцениванию параметров процессов авторегрессии и скользящего среднего, введенных в разд 5 2 Предположим, например, что требуется подобрать авторегрессионную модель [c.230]

Более общий двумерный процесс молено получить, если к членам авторегрессии добавить члены скользящего среднего Например, взяв комбинацию моделей (8 1 16) и (8 1 18), получим дискретный процесс [c.92]

Большая часть примеров, приведенных в данной главе, описывают основные методы выработки моделей прогнозирования. Во-первых, в большинстве случаев предполагается, что тренд — линейный. Далее, стандартный метод вьщеления тренда основывается на скользящих средних, хотя мы осветили и другие методы, в том числе экспоненциального сглаживания. Во-вторых, при получении прогнозных данных использовались все имеющиеся значения, тогда как на практике это может быть не лучшим вариантом, особенно в тех случаях, когда собранные данные включают некоторые нетипичные значения. На примерах этого раздела мы рассмотрим некоторые вопросы, связанные с практическим прогнозированием, при этом предполагается, что вы уже достаточно хорошо усвоили основные методы прогнозирования, в частности знаете, как вьщелять тренд и выявлять и вычислять сезонные составляющие. [c.217]

Если принимать во внимание контрольные пределы, а не наклоны, становится ясно, что критические значения должны быть смещены для модели среднего скользящего и авторегрессионной модели, по- [c.136]

На рис. 4.9 показаны соответствующие изменения СДСц для модели скользящего среднего и авторегрессионной модели в зависимости от и 6. [c.138]

Гак как при дискретизации непрерывного процесса авторегрес-порядка т, согласно (5.2.49), получается смешанный дискрет-процесс авторегрессии — скользящего среднего, было бы есте- нно ожидать, что смешанные модели окажутся полезными при гонке ко многим временным рядам. Для иллюстрации того, как этом можно построить поверхность логарифмической функции, вдоподобия, рассмотрим смешанный процесс [c.247]

Теперь обратимся к самому распределению длин серий в процессах, описываемых моделью среднего скользящего и авторегрессионной моделью, т. е. к распределению числа выборок, требуемых для проверки, обнаруживающей сдвиг в среднем. Мы можем рассмотреть также СДСд для тех же самых процессов. (Так как распределения длин серий положительно асимметричны, они дают лучшую картину последствий предположений о процессе, чем просто значения средних длин серий). Основанное на предположении процесса Винера, распределение длин серий может быть аппроксимировано [c.137]

Справочник химика 21

Химия и химическая технология