1.6.4. По алгоритму оценки параметров модели

1. Неадаптивные (метод наименьших квадратов, поисковые методы, алгоритмы нечеткой регрессии, и др.)[1].

2. Адаптивные (обучаемые, включая нейросетевые модели).

Замечание: На практике классификационные признаки могут «переплетаться», т.е. использоваться комбинированные (гибридные) модели, например нейро-нечеткие [14], нечеткие регрессионные [15] и др.

1.7. Типы данных

1.7.1. Данные пространственного типа

База данных состоит из кортежей:

которые образуют матрицу. Каждая строка матрицы – это кортеж (или вектор -строка таблицы исходных данных).

Здесь основное требование – независимость наблюдений {y_j} между собой, т.е. {y_j} – случайные (измеренные независимо) величины в данном фиксированном временном срезе, где t=const, это влечет за собой условие отсутствие коррелированности возмущений.

(1.16)

– коэффициент либо индекс корреляции.

Как определить, является ли база данных серией независимых наблюдений? Однозначного ответа нет, т.е. это условие реально труднопроверяемо. Считается, что {Y_i} не должны быть связаны причинно [5].

С овокупность кортежей для всех наблюдений i= (таблица) в фиксированном временном срезе есть входные данные пространственного типа.

1.7.2. Временной (динамический) ряд

Здесь наблюдения упорядочены во времени: {У_t}, t=t₁,t₂,….t_i,…t_n, где t_i>t_i-1.

а). Чаще всего Dt = t_i - t_i-1 = const. Тогда в записи указывается только номер временного интервала; {У_t}- временной ряд.

б). Временной ряд может быть многомерным: {У_t, х_1t,…x_nt} ( ), т.е. другими словами, если наблюдаются одновременно несколько независимых случайных величин в каждом временном срезе, t=t₀, то имеем многомерный временной ряд:

Данные типа многомерного временного ряда

Таблица 1.1.

ti	t1	t2	….	tn
yi	y1	y2	….	yn
хi	х1	х2	….	хn
zi	z1	z2	….	zn

Данные типа многомерных временных рядов имеют место в многофакторных прогнозных моделях.

1.8. Этапы построения эконометрической модели

Можно условно выделить следующие основные этапы построения эконометрической модели:

• описание проблемы экономической ситуации;

• спецификация переменных;

• мониторинг данных (наблюдение с целью контроля и управления);

• идентификация – выбор структуры модели и определение ее параметров;

• оценка адекватности модели;

• верификация модели;

• проверка модели на практике;

• внесение поправок, для корректировки модели на основе данных, полученных при практическом использовании.

Глава II. Корреляционный анализ

2.1. Цель корреляционного анализа

Цель корреляционного анализа – количественная оценка тесноты связи между случайными величинами.

2.2. Числовые меры корреляционной связи