- •Оглавление
- •Глава 3. Методы прогнозирования 22
- •Глава 4.Прогнозирование цены на природный газ 29
- •Глава 1 Российский рынок газа
- •1.1 Основные участники и динамика цен
- •1.2 Роль «Газпрома» в экономике России
- •Глава 2. Ценообразование на мировом рынке газа
- •2.1 Эволюция механизма ценообразования
- •2.2 Факторы, влияющие на формирование цен на нефть
- •Глава 3. Методы прогнозирования
- •3.1 Временные ряды и прогнозирование
- •3.2.Статистические методы
- •Классификация статистических методов
- •Статистический анализ конкретных данных
- •3.3.Моделирование
- •Виды моделирования
- •Глава 4.Прогнозирование цены на природный газ
- •Заключение
- •Список используемой литературы
Глава 4.Прогнозирование цены на природный газ
Нам даны ежемесячные цены на природный газ в долларах за 1000 м3 начиная с июля 2009 года заканчивая декабрём 2012.
T |
x(t) |
1 |
100,1 |
2 |
102,1 |
3 |
100,9 |
4 |
100,6 |
5 |
100,4 |
6 |
101,3 |
7 |
104,5 |
8 |
101,7 |
9 |
100,6 |
10 |
99,9 |
11 |
101 |
12 |
101 |
13 |
99,3 |
14 |
99,9 |
15 |
102,5 |
16 |
101,2 |
17 |
102 |
18 |
100,2 |
19 |
100,4 |
20 |
100 |
21 |
99,8 |
22 |
100 |
23 |
99,8 |
24 |
102,8 |
25 |
99,8 |
26 |
100,6 |
27 |
104,2 |
28 |
101,6 |
29 |
100,5 |
30 |
100,7 |
31 |
100,5 |
32 |
100,4 |
33 |
104 |
34 |
102,6 |
35 |
100,5 |
36 |
101,5 |
37 |
101,1 |
38 |
105,3 |
39 |
101,7 |
40 |
100 |
41 |
100,12 |
42 |
101,65 |
Задача состоит в построении модели, по которой можно сделать достоверный прогноз.
Удаляем 2 последних наблюдения и графически проверяем ряд на наличие сезонности.
По графику ряда можно установить развитие амплитуды колебания. Это свидетельствует о возможном присутствии аддитивной или мультипликативной модели в ряде.
Построим автокорреляционные функции ACF и PACF. Для этого мы должны нормировать x(t), то есть вычесть из каждой компоненты математическое ожидание, которое равно 101,18.
Затем найдем автоковариационную функцию по формуле:
x(t) - норм. |
лаг1 |
лаг2 |
лаг3 |
лаг4 |
лаг5 |
лаг6 |
лаг7 |
лаг8 |
лаг9 |
ла10 |
лаг11 |
лаг12 |
-1,08 |
-0,99 |
0,30 |
0,62 |
0,83 |
-0,13 |
-3,57 |
-0,56 |
0,62 |
1,37 |
0,19 |
0,19 |
2,02 |
0,92 |
-0,25 |
-0,53 |
-0,72 |
0,12 |
3,08 |
0,49 |
-0,53 |
-1,18 |
-0,16 |
-0,16 |
-1,73 |
-1,18 |
-0,27 |
0,16 |
0,21 |
-0,03 |
-0,91 |
-0,14 |
0,16 |
0,35 |
0,05 |
0,05 |
0,52 |
0,35 |
-0,36 |
-0,58 |
0,45 |
-0,07 |
-1,91 |
-0,30 |
0,33 |
0,73 |
0,10 |
0,10 |
1,08 |
0,73 |
-0,76 |
-0,01 |
-0,77 |
-0,10 |
-2,58 |
-0,41 |
0,45 |
0,99 |
0,14 |
0,14 |
1,45 |
0,99 |
-1,03 |
-0,02 |
-0,64 |
0,13 |
0,42 |
0,07 |
-0,07 |
-0,16 |
-0,02 |
-0,02 |
-0,23 |
-0,16 |
0,17 |
0,00 |
0,10 |
-0,12 |
3,33 |
1,75 |
-1,91 |
-4,24 |
-0,58 |
-0,58 |
-6,23 |
-4,24 |
4,41 |
0,08 |
2,74 |
-3,24 |
-2,58 |
0,53 |
-0,30 |
-0,67 |
-0,09 |
-0,09 |
-0,98 |
-0,67 |
0,70 |
0,01 |
0,43 |
-0,51 |
-0,41 |
-0,62 |
-0,58 |
0,73 |
0,10 |
0,10 |
1,08 |
0,73 |
-0,76 |
-0,01 |
-0,47 |
0,56 |
0,45 |
0,68 |
0,79 |
-1,27 |
0,22 |
0,22 |
2,39 |
1,63 |
-1,69 |
-0,03 |
-1,05 |
1,24 |
0,99 |
1,50 |
1,75 |
1,50 |
-0,17 |
0,03 |
0,33 |
0,22 |
-0,23 |
0,00 |
-0,14 |
0,17 |
0,14 |
0,21 |
0,24 |
0,21 |
0,24 |
-0,17 |
0,33 |
0,22 |
-0,23 |
0,00 |
-0,14 |
0,17 |
0,14 |
0,21 |
0,24 |
0,21 |
0,24 |
-0,28 |
-1,88 |
2,39 |
-2,48 |
-0,05 |
-1,55 |
1,83 |
1,45 |
2,20 |
2,58 |
2,20 |
2,58 |
-3,05 |
2,58 |
-1,27 |
-1,69 |
-0,03 |
-1,05 |
1,24 |
0,99 |
1,50 |
1,75 |
1,50 |
1,75 |
-2,07 |
1,75 |
0,73 |
1,33 |
0,03 |
1,09 |
-1,29 |
-1,03 |
-1,56 |
-1,82 |
-1,56 |
-1,82 |
2,15 |
-1,82 |
-0,76 |
4,01 |
0,03 |
0,02 |
-0,02 |
-0,02 |
-0,03 |
-0,03 |
-0,03 |
-0,03 |
0,04 |
-0,03 |
-0,01 |
0,08 |
0,01 |
0,83 |
-0,80 |
-0,64 |
-0,97 |
-1,13 |
-0,97 |
-1,13 |
1,34 |
-1,13 |
-0,47 |
2,50 |
0,35 |
-0,56 |
-0,97 |
0,76 |
1,15 |
1,34 |
1,15 |
1,34 |
-1,58 |
1,34 |
0,56 |
-2,95 |
-0,41 |
0,66 |
0,46 |
-0,77 |
0,91 |
1,07 |
0,91 |
1,07 |
-1,26 |
1,07 |
0,45 |
-2,34 |
-0,33 |
0,52 |
0,37 |
0,52 |
-1,18 |
1,62 |
1,38 |
1,62 |
-1,91 |
1,62 |
0,68 |
-3,55 |
-0,50 |
0,79 |
0,56 |
0,79 |
0,91 |
-1,38 |
1,62 |
1,89 |
-2,23 |
1,89 |
0,79 |
-4,16 |
-0,58 |
0,93 |
0,65 |
0,93 |
1,07 |
-3,88 |
-1,18 |
1,62 |
-1,91 |
1,62 |
0,68 |
-3,55 |
-0,50 |
0,79 |
0,56 |
0,79 |
0,91 |
-3,32 |
-1,67 |
-1,38 |
-2,23 |
1,89 |
0,79 |
-4,16 |
-0,58 |
0,93 |
0,65 |
0,93 |
1,07 |
-3,88 |
-1,96 |
0,93 |
1,63 |
-2,23 |
-0,93 |
4,92 |
0,69 |
-1,10 |
-0,77 |
-1,10 |
-1,26 |
4,59 |
2,32 |
-1,10 |
0,53 |
-1,38 |
0,79 |
-4,16 |
-0,58 |
0,93 |
0,65 |
0,93 |
1,07 |
-3,88 |
-1,96 |
0,93 |
-0,45 |
0,10 |
-0,58 |
-1,74 |
-0,24 |
0,39 |
0,27 |
0,39 |
0,45 |
-1,62 |
-0,82 |
0,39 |
-0,19 |
0,04 |
-2,37 |
3,03 |
1,29 |
-2,04 |
-1,44 |
-2,04 |
-2,34 |
8,55 |
4,31 |
-2,04 |
0,98 |
-0,23 |
12,48 |
1,59 |
0,42 |
-0,29 |
-0,20 |
-0,29 |
-0,33 |
1,20 |
0,61 |
-0,29 |
0,14 |
-0,03 |
1,75 |
0,22 |
-0,50 |
-0,67 |
0,32 |
0,46 |
0,52 |
-1,91 |
-0,96 |
0,46 |
-0,22 |
0,05 |
-2,78 |
-0,35 |
0,79 |
|
-0,47 |
0,32 |
0,37 |
-1,34 |
-0,68 |
0,32 |
-0,15 |
0,04 |
-1,96 |
-0,25 |
0,56 |
|
|
-0,67 |
0,52 |
-1,91 |
-0,96 |
0,46 |
-0,22 |
0,05 |
-2,78 |
-0,35 |
0,79 |
|
|
|
-0,77 |
-2,19 |
-1,10 |
0,52 |
-0,25 |
0,06 |
-3,20 |
-0,41 |
0,91 |
|
|
|
|
2,83 |
4,03 |
-1,91 |
0,92 |
-0,21 |
11,65 |
1,48 |
-3,32 |
|
|
|
|
|
1,43 |
-0,96 |
0,46 |
-0,11 |
5,88 |
0,75 |
-1,67 |
|
|
|
|
|
|
-0,67 |
-0,22 |
0,05 |
-2,78 |
-0,35 |
0,79 |
|
|
|
|
|
|
|
0,33 |
-0,02 |
1,34 |
0,17 |
-0,38 |
|
|
|
|
|
|
|
|
-0,08 |
-0,31 |
-0,04 |
0,09 |
|
|
|
|
|
|
|
|
|
4,13 |
2,17 |
-4,85 |
|
|
|
|
|
|
|
|
|
|
0,53 |
-0,62 |
|
|
|
|
|
|
|
|
|
|
|
-1,18 |
|
|
|
|
|
|
|
|
|
|
|
|
Получаем следующие значения:
Y(1) |
Y(2) |
Y(3) |
Y(4) |
Y(5) |
Y(6) |
Y(7) |
Y(8) |
Y(9) |
Y(10) |
Y(11) |
Y(12) |
0,19 |
-0,41 |
-0,10 |
0,00 |
0,32 |
-0,20 |
-0,20 |
-0,05 |
0,43 |
0,31 |
0,18 |
0,08 |
Разделив автоковариационную функцию на дисперсию x(t), которая равна 1,980384615 получим автокорреляционную функцию.
r(1)= |
r(2)= |
r(3)= |
r(4)= |
r(5)= |
r(6)= |
r(7)= |
r(8)= |
r(9)= |
r(10)= |
r(11)= |
r(12)= |
0,097 |
-0,208 |
-0,050 |
0,001 |
0,162 |
-0,099 |
-0,101 |
-0,024 |
0,218 |
0,159 |
0,093 |
0,039 |
Так как автокорреляционная функция измеряет тесноту связи между членами одного и того же временного ряда, то можно сделать следующие выводы:
Прямая связь существует между парами хi и хi+1, хi и хi+4, хi и хi+5 ,хi и хi+9, хi и хi+10, хi и хi+11, хi и хi+12 .
Обратная между хi и хi+2, хi и хi+3, хi и хi+6, хi и хi+7, хi и хi+8.
Во всех случаях связь очень слабая.
Теперь необходимо вычислить частную автокорреляционную функцию. Для этого необходимо составить корреляционную матрицу. На ее главной диагонали будут расположены единицы, а вне неё значения автокорреляционной функции.
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,02 |
0,22 |
0,16 |
0,09 |
0,04 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,02 |
0,22 |
0,16 |
0,09 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,02 |
0,22 |
0,16 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,02 |
0,22 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,02 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,10 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,16 |
-0,02 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,00 |
0,22 |
-0,02 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
-0,05 |
0,16 |
0,22 |
-0,02 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
-0,21 |
0,09 |
0,16 |
0,22 |
-0,02 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
0,10 |
0,04 |
0,09 |
0,16 |
0,22 |
-0,02 |
-0,10 |
-0,10 |
0,16 |
0,00 |
-0,05 |
-0,21 |
0,10 |
1,00 |
Рассчитываются значения частной автокорреляционной функции по формуле:
,где qij, qii, qjj – алгебраические дополнения элементов rij, rii, rjj матрицы выборочных коэффициентов корреляции.
r part(1)= |
r part(2)= |
r part(3)= |
r part(4)= |
r part(5)= |
r part(6)= |
r part(7)= |
r part(8)= |
r part(9)= |
r part(10)= |
r part(11)= |
r part(12)= |
0,097 |
-0,219 |
-0,005 |
-0,040 |
0,164 |
-0,158 |
0,001 |
-0,070 |
0,246 |
0,042 |
0,240 |
0,028 |
Прямая связь существует между парами хi и хi+1, хi и хi+5, хi и хi+7, хi и хi+9, хi и хi+10, хi и хi+11, хi и хi+12.
Обратная между хi и хi+2, хi и хi+3, хi и хi+4, хi и хi+6, хi и хi+8.
Во всех случаях связь очень слабая.
Построим коррелограмму для ACF и PACF.
Можно предположить о наличие сезонности с лагом 12.
Теперь рассчитаем компоненты аддитивной модели. Проведем выравнивание данного ряда методом скользящей средней. Для этого просуммируем уровни ряда за каждые 12 месяцев со сдвигом на 1 момент времени. Разделив полученные суммы на 12 найдем скользящие средние. Таким образом мы избавились от сезонной компоненты. Затем найдем центриванные значения скользящей средней.
t |
y |
скользящая средняя |
центрированная скольз. Ср. |
x(t) центрир. |
1 |
100,1 |
|
|
|
2 |
102,1 |
|
|
|
3 |
100,9 |
|
|
|
4 |
100,6 |
|
|
|
5 |
100,4 |
|
|
|
6 |
101,3 |
101,18 |
|
|
7 |
104,5 |
101,11 |
101,14 |
3,36 |
8 |
101,7 |
100,93 |
101,02 |
0,68 |
9 |
100,6 |
101,06 |
100,99 |
-0,39 |
10 |
99,9 |
101,11 |
101,08 |
-1,18 |
11 |
101 |
101,24 |
101,18 |
-0,17 |
12 |
101 |
101,15 |
101,20 |
-0,20 |
13 |
99,3 |
100,81 |
100,98 |
-1,68 |
14 |
99,9 |
100,67 |
100,74 |
-0,84 |
15 |
102,5 |
100,60 |
100,63 |
1,87 |
16 |
101,2 |
100,61 |
100,60 |
0,60 |
17 |
102 |
100,51 |
100,56 |
1,44 |
18 |
100,2 |
100,66 |
100,58 |
-0,38 |
19 |
100,4 |
100,70 |
100,68 |
-0,28 |
20 |
100 |
100,76 |
100,73 |
-0,73 |
21 |
99,8 |
100,90 |
100,83 |
-1,03 |
22 |
100 |
100,93 |
100,92 |
-0,92 |
23 |
99,8 |
100,81 |
100,87 |
-1,07 |
24 |
102,8 |
100,85 |
100,83 |
1,97 |
25 |
99,8 |
100,86 |
100,85 |
-1,05 |
26 |
100,6 |
100,89 |
100,88 |
-0,28 |
27 |
104,2 |
101,24 |
101,07 |
3,13 |
28 |
101,6 |
101,46 |
101,35 |
0,25 |
29 |
100,5 |
101,52 |
101,49 |
-0,99 |
30 |
100,7 |
101,41 |
101,46 |
-0,76 |
31 |
100,5 |
101,52 |
101,46 |
-0,96 |
32 |
100,4 |
101,91 |
101,71 |
-1,31 |
33 |
104 |
101,70 |
101,80 |
2,20 |
34 |
102,6 |
101,57 |
101,63 |
0,97 |
35 |
100,5 |
|
|
|
36 |
101,5 |
|
|
|
37 |
101,1 |
|
|
|
38 |
105,3 |
|
|
|
39 |
101,7 |
|
|
|
40 |
100 |
|
|
|
Используем эти оценки для расчета сезонной компоненты S. Для этого найдем средние за каждый месяц (по всем годам) оценки сезонной компоненты.
Показ |
год |
янв. |
фев |
мар |
апр |
май |
июн |
июл |
авг |
сен |
окт |
ноя |
дек |
|
1 |
|
|
|
|
|
|
3,36 |
0,68 |
-0,39 |
-1,18 |
-0,17 |
-0,20 |
|
2 |
-1,68 |
-0,84 |
1,87 |
0,60 |
1,44 |
-0,38 |
-0,28 |
-0,73 |
-1,03 |
-0,92 |
-1,07 |
1,97 |
|
3 |
-1,05 |
-0,28 |
3,13 |
0,25 |
-0,99 |
-0,76 |
-0,96 |
-1,31 |
2,20 |
0,97 |
|
|
Определим корректирующий элемент.
Отнимем его от каждой средней. Получим значения сезонных компонент, сумма которых рана 0.
S1= |
S2= |
S3= |
S4= |
S5= |
S6= |
S7= |
S8= |
S9= |
S10= |
S11= |
S12= |
-1,45 |
-0,64 |
2,41 |
0,34 |
0,14 |
-0,66 |
0,62 |
-0,54 |
0,17 |
-0,47 |
-0,71 |
0,80 |
y |
S |
Y-S |
T |
E |
E^2 |
(T-Yср)^2 |
100,1 |
-1,45 |
101,5543 |
100,8247 |
0,7296 |
0,5323 |
0,1116 |
102,1 |
-0,64 |
102,7439 |
100,8419 |
1,9020 |
3,6178 |
0,1004 |
100,9 |
2,41 |
98,4877 |
100,8590 |
-2,3713 |
5,6232 |
0,0899 |
100,6 |
0,34 |
100,2648 |
100,8761 |
-0,6114 |
0,3738 |
0,0799 |
100,4 |
0,14 |
100,2606 |
100,8933 |
-0,6327 |
0,4003 |
0,0705 |
101,3 |
-0,66 |
101,9606 |
100,9104 |
1,0502 |
1,1029 |
0,0617 |
104,5 |
0,62 |
103,8821 |
100,9275 |
2,9546 |
8,7296 |
0,0535 |
101,7 |
-0,54 |
102,2405 |
100,9447 |
1,2958 |
1,6791 |
0,0458 |
100,6 |
0,17 |
100,4293 |
100,9618 |
-0,5324 |
0,2835 |
0,0388 |
99,9 |
-0,47 |
100,3655 |
100,9789 |
-0,6135 |
0,3763 |
0,0323 |
101 |
-0,71 |
101,7106 |
100,9960 |
0,7146 |
0,5106 |
0,0265 |
101 |
0,80 |
100,2002 |
101,0132 |
-0,8130 |
0,6610 |
0,0212 |
99,3 |
-1,45 |
100,7543 |
101,0303 |
-0,2760 |
0,0762 |
0,0165 |
99,9 |
-0,64 |
100,5439 |
101,0474 |
-0,5035 |
0,2535 |
0,0124 |
102,5 |
2,41 |
100,0877 |
101,0646 |
-0,9769 |
0,9543 |
0,0089 |
101,2 |
0,34 |
100,8648 |
101,0817 |
-0,2169 |
0,0471 |
0,0059 |
102 |
0,14 |
101,8606 |
101,0988 |
0,7618 |
0,5803 |
0,0036 |
100,2 |
-0,66 |
100,8606 |
101,1159 |
-0,2554 |
0,0652 |
0,0018 |
100,4 |
0,62 |
99,7821 |
101,1331 |
-1,3510 |
1,8251 |
0,0007 |
100 |
-0,54 |
100,5405 |
101,1502 |
-0,6098 |
0,3718 |
0,0001 |
99,8 |
0,17 |
99,6293 |
101,1673 |
-1,5380 |
2,3654 |
0,0001 |
100 |
-0,47 |
100,4655 |
101,1845 |
-0,7190 |
0,5170 |
0,0007 |
99,8 |
-0,71 |
100,5106 |
101,2016 |
-0,6910 |
0,4775 |
0,0018 |
102,8 |
0,80 |
102,0002 |
101,2187 |
0,7815 |
0,6107 |
0,0036 |
99,8 |
-1,45 |
101,2543 |
101,2358 |
0,0185 |
0,0003 |
0,0059 |
100,6 |
-0,64 |
101,2439 |
101,2530 |
-0,0091 |
0,0001 |
0,0089 |
104,2 |
2,41 |
101,7877 |
101,2701 |
0,5176 |
0,2679 |
0,0124 |
101,6 |
0,34 |
101,2648 |
101,2872 |
-0,0225 |
0,0005 |
0,0165 |
100,5 |
0,14 |
100,3606 |
101,3044 |
-0,9438 |
0,8907 |
0,0212 |
100,7 |
-0,66 |
101,3606 |
101,3215 |
0,0391 |
0,0015 |
0,0265 |
100,5 |
0,62 |
99,8821 |
101,3386 |
-1,4565 |
2,1214 |
0,0323 |
100,4 |
-0,54 |
100,9405 |
101,3558 |
-0,4153 |
0,1725 |
0,0388 |
104 |
0,17 |
103,8293 |
101,3729 |
2,4565 |
6,0342 |
0,0458 |
102,6 |
-0,47 |
103,0655 |
101,3900 |
1,6754 |
2,8071 |
0,0535 |
100,5 |
-0,71 |
101,2106 |
101,4071 |
-0,1966 |
0,0386 |
0,0617 |
101,5 |
0,80 |
100,7002 |
101,4243 |
-0,7241 |
0,5243 |
0,0705 |
101,1 |
-1,45 |
102,5543 |
101,4414 |
1,1129 |
1,2386 |
0,0799 |
105,3 |
-0,64 |
105,9439 |
101,4585 |
4,4854 |
20,1188 |
0,0899 |
101,7 |
2,41 |
99,2877 |
101,4757 |
-2,1880 |
4,7873 |
0,1004 |
100 |
0,34 |
99,6648 |
101,4928 |
-1,8280 |
3,3417 |
0,1116 |
Выше мы занесли полученные сезонные компоненты в таблицу для соответствующего месяца каждого года.
Элиминируем влияние сезонной компоненты, вычитая ее значение из каждого уровня исходного временного ряда. Получим T+E=x(t)-S. То есть рассчитанные значения включают только тренд и случайную компоненту.
Для того чтобы определить компоненту Т мы провели аналитическое выравнивание ряда (Т+Е) с помощью линейного тренда. Таким образом имеем линейный тренд T= 100,8076175+ 0,01712926*t. подставим в это уравнение значения t и тем самым найдем уровни Т для каждого момента времени. Расчет ошибки проводится по формуле Е=(Т+Е)-Т.
На графике изображен исходный ряд и тренд. По нему видно как мы сгладили ряд.
Для оценки качества рассчитаем ESS (сумма квадратов ошибок), RSS (сумма квадратов разности наблюдаемых значений и средней), TSS=ESS+RSS, R^2=.
ESS= |
RSS= |
TSS= |
R^2= |
74,380 |
1,564 |
75,944 |
0,021 |
Заметим, так как R^2 достаточно маленький, то модель объясняет только 2,1% общей вариации.
Теперь построим мультипликативную модель. Проводим выравнивание методом скользящей средней также как и в аддитивной модели, только избавляясь от цикличности мы x(t) делим на центрированную скользящую среднюю.
t |
y |
скользящая средняя |
центрированная скольз. Ср. |
x(t) центрир. |
1 |
100,1 |
|
|
|
2 |
102,1 |
|
|
|
3 |
100,9 |
|
|
|
4 |
100,6 |
|
|
|
5 |
100,4 |
|
|
|
6 |
101,3 |
101,18 |
|
|
7 |
104,5 |
101,11 |
101,14 |
1,03 |
8 |
101,7 |
100,93 |
101,02 |
1,01 |
9 |
100,6 |
101,06 |
100,99 |
1,00 |
10 |
99,9 |
101,11 |
101,08 |
0,99 |
11 |
101 |
101,24 |
101,18 |
1,00 |
12 |
101 |
101,15 |
101,20 |
1,00 |
13 |
99,3 |
100,81 |
100,98 |
0,98 |
14 |
99,9 |
100,67 |
100,74 |
0,99 |
15 |
102,5 |
100,60 |
100,63 |
1,02 |
16 |
101,2 |
100,61 |
100,60 |
1,01 |
17 |
102 |
100,51 |
100,56 |
1,01 |
18 |
100,2 |
100,66 |
100,58 |
1,00 |
19 |
100,4 |
100,70 |
100,68 |
1,00 |
20 |
100 |
100,76 |
100,73 |
0,99 |
21 |
99,8 |
100,90 |
100,83 |
0,99 |
22 |
100 |
100,93 |
100,92 |
0,99 |
23 |
99,8 |
100,81 |
100,87 |
0,99 |
24 |
102,8 |
100,85 |
100,83 |
1,02 |
25 |
99,8 |
100,86 |
100,85 |
0,99 |
26 |
100,6 |
100,89 |
100,88 |
1,00 |
27 |
104,2 |
101,24 |
101,07 |
1,03 |
28 |
101,6 |
101,46 |
101,35 |
1,00 |
29 |
100,5 |
101,52 |
101,49 |
0,99 |
30 |
100,7 |
101,41 |
101,46 |
0,99 |
31 |
100,5 |
101,52 |
101,46 |
0,99 |
32 |
100,4 |
101,91 |
101,71 |
0,99 |
33 |
104 |
101,70 |
101,80 |
1,02 |
34 |
102,6 |
101,57 |
101,63 |
1,01 |
35 |
100,5 |
|
|
|
36 |
101,5 |
|
|
|
37 |
101,1 |
|
|
|
38 |
105,3 |
|
|
|
39 |
101,7 |
|
|
|
40 |
100 |
|
|
|
Рассчитаем сезонные компоненты.
показатель |
год |
янв. |
фев |
мар |
апр |
май |
июн |
июл |
авг |
сен |
окт |
ноя |
дек |
|
1 |
|
|
|
|
|
|
1,03 |
1,01 |
1,00 |
0,99 |
1,00 |
1,00 |
|
2 |
0,98 |
0,99 |
1,02 |
1,01 |
1,01 |
1,00 |
1,00 |
0,99 |
0,99 |
0,99 |
0,99 |
1,02 |
|
3 |
0,99 |
1,00 |
1,03 |
1,00 |
0,99 |
0,99 |
0,99 |
0,99 |
1,02 |
1,01 |
|
|
Сумма средних оценок сезонных компонент равна 12,0104. Рассчитаем корректирующий коэффициент, разделив 12 (месяцев) на сумму средних оценок сезонных компонент. К= 0,999130737.
Умножим его она каждую среднюю. Получим значения сезонных компонент, сумма которых рана 12.
S1= |
S2= |
S3= |
S4= |
S5= |
S6= |
S7= |
S8= |
S9= |
S10= |
S11= |
S12= |
0,99 |
0,99 |
1,02 |
1,00 |
1,00 |
0,99 |
1,01 |
0,99 |
1,00 |
1,00 |
0,99 |
1,01 |
Запишем их в таблицу и рассчитаем остальные компоненты модели.
y |
S |
Y/S |
T |
E |
E^2 |
(T-Yср)^2 |
100,1 |
0,99 |
101,5623 |
100,8283 |
0,7234 |
0,5234 |
0,1125 |
102,1 |
0,99 |
102,7560 |
100,8455 |
1,8983 |
3,6037 |
0,1012 |
100,9 |
1,02 |
98,5462 |
100,8627 |
-2,3718 |
5,6255 |
0,0906 |
100,6 |
1,00 |
100,2669 |
100,8799 |
-0,6150 |
0,3782 |
0,0805 |
100,4 |
1,00 |
100,2564 |
100,8971 |
-0,6416 |
0,4116 |
0,0711 |
101,3 |
0,99 |
101,9656 |
100,9143 |
1,0444 |
1,0908 |
0,0622 |
104,5 |
1,01 |
103,8658 |
100,9315 |
2,9522 |
8,7154 |
0,0539 |
101,7 |
0,99 |
102,2444 |
100,9487 |
1,2888 |
1,6611 |
0,0462 |
100,6 |
1,00 |
100,4370 |
100,9659 |
-0,5298 |
0,2807 |
0,0391 |
99,9 |
1,00 |
100,3642 |
100,9831 |
-0,6160 |
0,3794 |
0,0326 |
101 |
0,99 |
101,7157 |
101,0003 |
0,7104 |
0,5047 |
0,0267 |
101 |
1,01 |
100,2055 |
101,0175 |
-0,8184 |
0,6698 |
0,0214 |
99,3 |
0,99 |
100,7506 |
101,0347 |
-0,2800 |
0,0784 |
0,0166 |
99,9 |
0,99 |
100,5419 |
101,0519 |
-0,5067 |
0,2568 |
0,0125 |
102,5 |
1,02 |
100,1089 |
101,0691 |
-0,9831 |
0,9665 |
0,0089 |
101,2 |
1,00 |
100,8650 |
101,0863 |
-0,2221 |
0,0493 |
0,0060 |
102 |
1,00 |
101,8542 |
101,1035 |
0,7517 |
0,5651 |
0,0036 |
100,2 |
0,99 |
100,8583 |
101,1207 |
-0,2606 |
0,0679 |
0,0018 |
100,4 |
1,01 |
99,7906 |
101,1379 |
-1,3555 |
1,8373 |
0,0007 |
100 |
0,99 |
100,5353 |
101,1551 |
-0,6164 |
0,3800 |
0,0001 |
99,8 |
1,00 |
99,6383 |
101,1723 |
-1,5365 |
2,3608 |
0,0001 |
100 |
1,00 |
100,4647 |
101,1895 |
-0,7214 |
0,5205 |
0,0007 |
99,8 |
0,99 |
100,5072 |
101,2067 |
-0,6945 |
0,4824 |
0,0018 |
102,8 |
1,01 |
101,9913 |
101,2239 |
0,7736 |
0,5984 |
0,0036 |
99,8 |
0,99 |
101,2579 |
101,2411 |
0,0166 |
0,0003 |
0,0060 |
100,6 |
0,99 |
101,2464 |
101,2583 |
-0,0118 |
0,0001 |
0,0089 |
104,2 |
1,02 |
101,7692 |
101,2755 |
0,5056 |
0,2556 |
0,0125 |
101,6 |
1,00 |
101,2636 |
101,2927 |
-0,0291 |
0,0008 |
0,0166 |
100,5 |
1,00 |
100,3563 |
101,3099 |
-0,9549 |
0,9119 |
0,0214 |
100,7 |
0,99 |
101,3616 |
101,3271 |
0,0343 |
0,0012 |
0,0267 |
100,5 |
1,01 |
99,8900 |
101,3443 |
-1,4631 |
2,1407 |
0,0326 |
100,4 |
0,99 |
100,9375 |
101,3615 |
-0,4217 |
0,1779 |
0,0391 |
104 |
1,00 |
103,8315 |
101,3787 |
2,4568 |
6,0357 |
0,0462 |
102,6 |
1,00 |
103,0768 |
101,3959 |
1,6731 |
2,7994 |
0,0539 |
100,5 |
0,99 |
101,2122 |
101,4131 |
-0,1995 |
0,0398 |
0,0622 |
101,5 |
1,01 |
100,7016 |
101,4303 |
-0,7345 |
0,5394 |
0,0711 |
101,1 |
0,99 |
102,5769 |
101,4475 |
1,1132 |
1,2392 |
0,0805 |
105,3 |
0,99 |
105,9766 |
101,4647 |
4,4831 |
20,0985 |
0,0906 |
101,7 |
1,02 |
99,3276 |
101,4819 |
-2,2058 |
4,8654 |
0,1012 |
100 |
1,00 |
99,6689 |
101,4991 |
-1,8362 |
3,3717 |
0,1125 |
Для того чтобы определить компоненту Т мы провели аналитическое выравнивание ряда (Т+Е) с помощью линейного тренда. Таким образом имеем линейный тренд T= 100,8111022+ 0,01719887*t. подставим в это уравнение значения t и тем самым найдем уровни Т для каждого момента времени. Расчет ошибки проводится по формуле Е=(Т+Е)-Т.
На графике изображен исходный ряд и тренд. По нему видно как мы сгладили ряд.
Для оценки качества рассчитаем ESS, RSS, TSS, R^2.
ESS= |
RSS= |
TSS= |
R^2= |
74,485 |
1,577 |
76,062 |
0,021 |
Теперь необходимо проверить какая из моделей лучше. Для этого проверим их на адекватность с помощью 3-х тестов.
Q-статистика Бокса-Пирса.
–наблюдаемая статистика.
Она имеет асимптотическое распределение хи-квадрат.
Рассчитаем статистику для аддитивной модели.
0,73 |
0,73 |
0,53 |
1,39 |
-1,73 |
-0,45 |
-0,46 |
0,77 |
2,16 |
0,95 |
-0,39 |
-0,45 |
0,52 |
-0,59 |
-0,20 |
1,90 |
1,90 |
3,62 |
-4,51 |
-1,16 |
-1,20 |
2,00 |
5,62 |
2,46 |
-1,01 |
-1,17 |
1,36 |
-1,55 |
-0,52 |
-0,96 |
-2,37 |
-2,37 |
5,62 |
1,45 |
1,50 |
-2,49 |
-7,01 |
-3,07 |
1,26 |
1,45 |
-1,69 |
1,93 |
0,65 |
1,19 |
2,32 |
-0,61 |
-0,61 |
0,37 |
0,39 |
-0,64 |
-1,81 |
-0,79 |
0,33 |
0,38 |
-0,44 |
0,50 |
0,17 |
0,31 |
0,60 |
0,13 |
-0,63 |
-0,63 |
0,40 |
-0,66 |
-1,87 |
-0,82 |
0,34 |
0,39 |
-0,45 |
0,51 |
0,17 |
0,32 |
0,62 |
0,14 |
-0,48 |
1,05 |
1,05 |
1,10 |
3,10 |
1,36 |
-0,56 |
-0,64 |
0,75 |
-0,85 |
-0,29 |
-0,53 |
-1,03 |
-0,23 |
0,80 |
-0,27 |
2,95 |
2,95 |
8,73 |
3,83 |
-1,57 |
-1,81 |
2,11 |
-2,40 |
-0,82 |
-1,49 |
-2,89 |
-0,64 |
2,25 |
-0,75 |
-3,99 |
1,30 |
1,30 |
1,68 |
-0,69 |
-0,79 |
0,93 |
-1,05 |
-0,36 |
-0,65 |
-1,27 |
-0,28 |
0,99 |
-0,33 |
-1,75 |
-0,79 |
-0,53 |
-0,53 |
0,28 |
0,33 |
-0,38 |
0,43 |
0,15 |
0,27 |
0,52 |
0,12 |
-0,41 |
0,14 |
0,72 |
0,32 |
0,82 |
-0,61 |
-0,61 |
0,38 |
-0,44 |
0,50 |
0,17 |
0,31 |
0,60 |
0,13 |
-0,47 |
0,16 |
0,83 |
0,37 |
0,94 |
0,44 |
0,71 |
0,71 |
0,51 |
-0,58 |
-0,20 |
-0,36 |
-0,70 |
-0,16 |
0,54 |
-0,18 |
-0,97 |
-0,44 |
-1,10 |
-0,51 |
-0,49 |
-0,81 |
-0,81 |
0,66 |
0,22 |
0,41 |
0,79 |
0,18 |
-0,62 |
0,21 |
1,10 |
0,50 |
1,25 |
0,58 |
0,56 |
-0,64 |
-0,28 |
-0,28 |
0,08 |
0,14 |
0,27 |
0,06 |
-0,21 |
0,07 |
0,37 |
0,17 |
0,42 |
0,20 |
0,19 |
-0,22 |
-0,01 |
-0,50 |
-0,50 |
0,25 |
0,49 |
0,11 |
-0,38 |
0,13 |
0,68 |
0,31 |
0,77 |
0,36 |
0,35 |
-0,39 |
-0,01 |
0,00 |
-0,98 |
-0,98 |
0,95 |
0,21 |
-0,74 |
0,25 |
1,32 |
0,60 |
1,50 |
0,70 |
0,68 |
-0,76 |
-0,02 |
0,01 |
-0,51 |
-0,22 |
-0,22 |
0,05 |
-0,17 |
0,06 |
0,29 |
0,13 |
0,33 |
0,16 |
0,15 |
-0,17 |
0,00 |
0,00 |
-0,11 |
0,00 |
0,76 |
0,76 |
0,58 |
-0,19 |
-1,03 |
-0,46 |
-1,17 |
-0,55 |
-0,53 |
0,60 |
0,01 |
-0,01 |
0,39 |
-0,02 |
-0,72 |
-0,26 |
-0,26 |
0,07 |
0,34 |
0,16 |
0,39 |
0,18 |
0,18 |
-0,20 |
0,00 |
0,00 |
-0,13 |
0,01 |
0,24 |
-0,01 |
-1,35 |
-1,35 |
1,83 |
0,82 |
2,08 |
0,97 |
0,93 |
-1,06 |
-0,02 |
0,01 |
-0,70 |
0,03 |
1,27 |
-0,05 |
1,97 |
-0,61 |
-0,61 |
0,37 |
0,94 |
0,44 |
0,42 |
-0,48 |
-0,01 |
0,01 |
-0,32 |
0,01 |
0,58 |
-0,02 |
0,89 |
0,25 |
-1,54 |
-1,54 |
2,37 |
1,11 |
1,06 |
-1,20 |
-0,03 |
0,01 |
-0,80 |
0,03 |
1,45 |
-0,06 |
2,24 |
0,64 |
-3,78 |
-0,72 |
-0,72 |
0,52 |
0,50 |
-0,56 |
-0,01 |
0,01 |
-0,37 |
0,02 |
0,68 |
-0,03 |
1,05 |
0,30 |
-1,77 |
-1,20 |
-0,69 |
-0,69 |
0,48 |
-0,54 |
-0,01 |
0,01 |
-0,36 |
0,02 |
0,65 |
-0,03 |
1,01 |
0,29 |
-1,70 |
-1,16 |
0,14 |
0,78 |
0,78 |
0,61 |
0,01 |
-0,01 |
0,40 |
-0,02 |
-0,74 |
0,03 |
-1,14 |
-0,32 |
1,92 |
1,31 |
-0,15 |
-0,57 |
0,02 |
0,02 |
0,00 |
0,00 |
0,01 |
0,00 |
-0,02 |
0,00 |
-0,03 |
-0,01 |
0,05 |
0,03 |
0,00 |
-0,01 |
0,02 |
-0,01 |
-0,01 |
0,00 |
0,00 |
0,00 |
0,01 |
0,00 |
0,01 |
0,00 |
-0,02 |
-0,02 |
0,00 |
0,01 |
-0,01 |
-0,04 |
0,52 |
0,52 |
0,27 |
-0,01 |
-0,49 |
0,02 |
-0,75 |
-0,21 |
1,27 |
0,87 |
-0,10 |
-0,37 |
0,58 |
2,32 |
-1,13 |
-0,02 |
-0,02 |
0,00 |
0,02 |
0,00 |
0,03 |
0,01 |
-0,06 |
-0,04 |
0,00 |
0,02 |
-0,03 |
-0,10 |
0,05 |
0,04 |
-0,94 |
-0,94 |
0,89 |
-0,04 |
1,37 |
0,39 |
-2,32 |
-1,58 |
0,19 |
0,68 |
-1,05 |
-4,23 |
2,06 |
1,73 |
|
0,04 |
0,04 |
0,00 |
-0,06 |
-0,02 |
0,10 |
0,07 |
-0,01 |
-0,03 |
0,04 |
0,18 |
-0,09 |
-0,07 |
|
|
-1,46 |
-1,46 |
2,12 |
0,60 |
-3,58 |
-2,44 |
0,29 |
1,05 |
-1,62 |
-6,53 |
3,19 |
2,66 |
|
|
|
-0,42 |
-0,42 |
0,17 |
-1,02 |
-0,70 |
0,08 |
0,30 |
-0,46 |
-1,86 |
0,91 |
0,76 |
|
|
|
|
2,46 |
2,46 |
6,03 |
4,12 |
-0,48 |
-1,78 |
2,73 |
11,02 |
-5,37 |
-4,49 |
|
|
|
|
|
1,68 |
1,68 |
2,81 |
-0,33 |
-1,21 |
1,86 |
7,52 |
-3,67 |
-3,06 |
|
|
|
|
|
|
-0,20 |
-0,20 |
0,04 |
0,14 |
-0,22 |
-0,88 |
0,43 |
0,36 |
|
|
|
|
|
|
|
-0,72 |
-0,72 |
0,52 |
-0,81 |
-3,25 |
1,58 |
1,32 |
|
|
|
|
|
|
|
|
1,11 |
1,11 |
1,24 |
4,99 |
-2,44 |
-2,03 |
|
|
|
|
|
|
|
|
|
4,49 |
4,49 |
20,12 |
-9,81 |
-8,20 |
|
|
|
|
|
|
|
|
|
|
-2,19 |
-2,19 |
4,79 |
4,00 |
|
|
|
|
|
|
|
|
|
|
|
-1,83 |
-1,83 |
3,34 |
|
|
|
|
|
|
|
|
|
|
|
|
В первой графе мы выписали остатки аддитивной модели. Во второй вычли из первой математическое ожидание ошибки, которое равно -0,000000000000008171. Затем находим (e-)*(e(t-1) -), т. е. произведение центрированной ошибки на центрированную ошибку, смещенную на 1 лаг. В следующей графе на 2 лага и т. д. Потом находим математическое ожидание этих произведений, тем самым рассчитав автоковариационную функцию ошибки.
Y(1) |
Y(2) |
Y(3) |
Y(4) |
Y(5) |
Y(6) |
Y(7) |
Y(8) |
Y(9) |
Y(10) |
Y(11) |
Y(12) |
0,24 |
-0,58 |
-0,26 |
0,12 |
0,22 |
-0,12 |
-0,24 |
-0,04 |
0,19 |
0,30 |
0,10 |
-0,34 |
Разделив эти данные на дисперсию, которая равна 1,76569066, получим значения автокорреляционной функции.
r(1)= |
r(2)= |
r(3)= |
r(4)= |
r(5)= |
r(6)= |
r(7)= |
r(8)= |
r(9)= |
r(10)= |
r(11)= |
r(12)= |
0,12 |
-0,30 |
-0,13 |
0,06 |
0,12 |
-0,06 |
-0,13 |
-0,02 |
0,10 |
0,16 |
0,05 |
-0,18 |
Теперь по формуле мы должны возвести эти значения в квадрат, суммировать и умножить на количество наблюдений (115).
Qнабл.= 11,40802528. Q критическое равно ХИ2 с вероятностью 0,05 и степенью свободы 12. Qкр.=21,02607.
Qнабл.< Qкр. Следовательно автокорреляция отсутствует на уровне 95%.
Проведем те же самые расчеты для мультипликативной модели.
0,72 |
0,73 |
0,53 |
1,39 |
-1,72 |
-0,44 |
-0,46 |
0,76 |
2,15 |
0,94 |
-0,38 |
-0,45 |
0,52 |
-0,59 |
-0,20 |
1,90 |
1,90 |
3,62 |
-4,50 |
-1,16 |
-1,21 |
2,00 |
5,63 |
2,46 |
-1,00 |
-1,16 |
1,36 |
-1,55 |
-0,52 |
-0,95 |
-2,37 |
-2,37 |
5,60 |
1,44 |
1,51 |
-2,48 |
-7,00 |
-3,06 |
1,24 |
1,45 |
-1,69 |
1,93 |
0,65 |
1,19 |
2,32 |
-0,61 |
-0,61 |
0,37 |
0,39 |
-0,64 |
-1,80 |
-0,79 |
0,32 |
0,37 |
-0,44 |
0,50 |
0,17 |
0,31 |
0,60 |
0,13 |
-0,64 |
-0,64 |
0,41 |
-0,67 |
-1,88 |
-0,82 |
0,33 |
0,39 |
-0,46 |
0,52 |
0,18 |
0,32 |
0,62 |
0,14 |
-0,48 |
1,04 |
1,05 |
1,10 |
3,10 |
1,36 |
-0,55 |
-0,64 |
0,75 |
-0,85 |
-0,29 |
-0,53 |
-1,03 |
-0,23 |
0,79 |
-0,27 |
2,95 |
2,96 |
8,74 |
3,83 |
-1,55 |
-1,81 |
2,12 |
-2,41 |
-0,81 |
-1,48 |
-2,89 |
-0,64 |
2,24 |
-0,76 |
-3,99 |
1,29 |
1,29 |
1,67 |
-0,68 |
-0,79 |
0,93 |
-1,05 |
-0,36 |
-0,65 |
-1,27 |
-0,28 |
0,98 |
-0,33 |
-1,75 |
-0,79 |
-0,53 |
-0,52 |
0,28 |
0,32 |
-0,38 |
0,43 |
0,14 |
0,26 |
0,51 |
0,11 |
-0,40 |
0,13 |
0,71 |
0,32 |
0,80 |
-0,62 |
-0,61 |
0,37 |
-0,44 |
0,50 |
0,17 |
0,31 |
0,60 |
0,13 |
-0,46 |
0,16 |
0,83 |
0,37 |
0,94 |
0,44 |
0,71 |
0,72 |
0,51 |
-0,58 |
-0,20 |
-0,36 |
-0,70 |
-0,16 |
0,54 |
-0,18 |
-0,97 |
-0,44 |
-1,10 |
-0,51 |
-0,49 |
-0,82 |
-0,81 |
0,66 |
0,22 |
0,41 |
0,80 |
0,18 |
-0,62 |
0,21 |
1,10 |
0,50 |
1,25 |
0,58 |
0,56 |
-0,63 |
-0,28 |
-0,27 |
0,08 |
0,14 |
0,27 |
0,06 |
-0,21 |
0,07 |
0,37 |
0,17 |
0,42 |
0,20 |
0,19 |
-0,21 |
-0,01 |
-0,51 |
-0,50 |
0,25 |
0,49 |
0,11 |
-0,38 |
0,13 |
0,68 |
0,31 |
0,77 |
0,36 |
0,35 |
-0,39 |
-0,01 |
0,00 |
-0,98 |
-0,98 |
0,96 |
0,21 |
-0,74 |
0,25 |
1,32 |
0,60 |
1,50 |
0,70 |
0,67 |
-0,76 |
-0,02 |
0,01 |
-0,50 |
-0,22 |
-0,22 |
0,05 |
-0,16 |
0,06 |
0,29 |
0,13 |
0,33 |
0,16 |
0,15 |
-0,17 |
0,00 |
0,00 |
-0,11 |
0,01 |
0,75 |
0,76 |
0,57 |
-0,19 |
-1,02 |
-0,46 |
-1,16 |
-0,54 |
-0,52 |
0,59 |
0,02 |
-0,01 |
0,39 |
-0,02 |
-0,72 |
-0,26 |
-0,26 |
0,07 |
0,35 |
0,16 |
0,39 |
0,18 |
0,18 |
-0,20 |
-0,01 |
0,00 |
-0,13 |
0,01 |
0,24 |
-0,01 |
-1,36 |
-1,35 |
1,82 |
0,83 |
2,07 |
0,97 |
0,93 |
-1,05 |
-0,03 |
0,01 |
-0,69 |
0,03 |
1,28 |
-0,05 |
1,97 |
-0,62 |
-0,61 |
0,37 |
0,94 |
0,44 |
0,42 |
-0,48 |
-0,01 |
0,00 |
-0,31 |
0,01 |
0,58 |
-0,02 |
0,89 |
0,25 |
-1,54 |
-1,53 |
2,35 |
1,10 |
1,06 |
-1,19 |
-0,03 |
0,01 |
-0,78 |
0,04 |
1,45 |
-0,06 |
2,23 |
0,64 |
-3,77 |
-0,72 |
-0,72 |
0,51 |
0,49 |
-0,56 |
-0,02 |
0,00 |
-0,37 |
0,02 |
0,68 |
-0,03 |
1,04 |
0,30 |
-1,76 |
-1,20 |
-0,69 |
-0,69 |
0,48 |
-0,54 |
-0,01 |
0,00 |
-0,35 |
0,02 |
0,65 |
-0,03 |
1,01 |
0,29 |
-1,70 |
-1,16 |
0,13 |
0,77 |
0,78 |
0,61 |
0,02 |
-0,01 |
0,40 |
-0,02 |
-0,74 |
0,03 |
-1,14 |
-0,32 |
1,92 |
1,31 |
-0,15 |
-0,57 |
0,02 |
0,02 |
0,00 |
0,00 |
0,01 |
0,00 |
-0,02 |
0,00 |
-0,03 |
-0,01 |
0,05 |
0,04 |
0,00 |
-0,02 |
0,02 |
-0,01 |
-0,01 |
0,00 |
0,00 |
0,00 |
0,01 |
0,00 |
0,01 |
0,00 |
-0,02 |
-0,01 |
0,00 |
0,00 |
-0,01 |
-0,03 |
0,51 |
0,51 |
0,26 |
-0,01 |
-0,48 |
0,02 |
-0,74 |
-0,21 |
1,26 |
0,86 |
-0,10 |
-0,37 |
0,57 |
2,29 |
-1,12 |
-0,03 |
-0,02 |
0,00 |
0,02 |
0,00 |
0,04 |
0,01 |
-0,06 |
-0,04 |
0,00 |
0,02 |
-0,03 |
-0,11 |
0,05 |
0,04 |
-0,95 |
-0,95 |
0,90 |
-0,04 |
1,39 |
0,40 |
-2,34 |
-1,59 |
0,18 |
0,69 |
-1,06 |
-4,26 |
2,09 |
1,74 |
|
0,03 |
0,04 |
0,00 |
-0,06 |
-0,02 |
0,10 |
0,07 |
-0,01 |
-0,03 |
0,04 |
0,18 |
-0,09 |
-0,07 |
|
|
-1,46 |
-1,46 |
2,13 |
0,61 |
-3,59 |
-2,45 |
0,28 |
1,06 |
-1,63 |
-6,54 |
3,21 |
2,67 |
|
|
|
-0,42 |
-0,42 |
0,17 |
-1,03 |
-0,70 |
0,08 |
0,30 |
-0,47 |
-1,87 |
0,92 |
0,76 |
|
|
|
|
2,46 |
2,46 |
6,06 |
4,13 |
-0,48 |
-1,80 |
2,75 |
11,05 |
-5,42 |
-4,51 |
|
|
|
|
|
1,67 |
1,68 |
2,82 |
-0,33 |
-1,22 |
1,88 |
7,53 |
-3,69 |
-3,07 |
|
|
|
|
|
|
-0,20 |
-0,19 |
0,04 |
0,14 |
-0,22 |
-0,87 |
0,43 |
0,36 |
|
|
|
|
|
|
|
-0,73 |
-0,73 |
0,53 |
-0,82 |
-3,27 |
1,61 |
1,34 |
|
|
|
|
|
|
|
|
1,11 |
1,12 |
1,25 |
5,02 |
-2,46 |
-2,05 |
|
|
|
|
|
|
|
|
|
4,48 |
4,49 |
20,14 |
-9,88 |
-8,22 |
|
|
|
|
|
|
|
|
|
|
-2,21 |
-2,20 |
4,84 |
4,03 |
|
|
|
|
|
|
|
|
|
|
|
-1,84 |
-1,83 |
3,35 |
|
|
|
|
|
|
|
|
|
|
|
|
Y(1) |
Y(2) |
Y(3) |
Y(4) |
Y(5) |
Y(6) |
Y(7) |
Y(8) |
Y(9) |
Y(10) |
Y(11) |
Y(12) |
0,24 |
-0,58 |
-0,26 |
0,12 |
0,22 |
-0,13 |
-0,24 |
-0,04 |
0,19 |
0,30 |
0,10 |
-0,34 |
D(e)= 1,765450423
Автокорреляционная функция.
r(1)= |
r(2)= |
r(3)= |
r(4)= |
r(5)= |
r(6)= |
r(7)= |
r(8)= |
r(9)= |
r(10)= |
r(11)- |
r(12)= |
0,12 |
-0,30 |
-0,13 |
0,07 |
0,12 |
-0,07 |
-0,13 |
-0,02 |
0,10 |
0,15 |
0,05 |
-0,18 |
Qнабл.= 11,3820395.
Qкр.=21,02607.
Qнабл.< Qкр. Следовательно автокорреляция отсутствует на уровне 95%.
Вывод: по статистике Бокса-Пирса обе модели равнозначны, автокорреляция в них отсутствует.
2.Тест Дарбина-Уотсона.
–наблюдаемая статистика.
Дарбин и Уотсон доказали, что существует 2 границы du и dl, которые зависят от объема выборки, числа регрессоров и уровня значимости, и обладают следующими свойствами:
4-dl<DW<4 – автокорреляция есть;
4-du<DW<4-dl – зона не определена;
Du<DW<4-du – автокорреляции нет;
Dl<DW<du – зона не определена;
0<DW<dl - автокорреляция есть;
Для обеих моделей числа du и dl будут одинаковы, так как у них равные объем выборки (40), число регрессоров (2) и уровень значимости (0,05).
dl= |
1,39 |
du= |
1,6 |
Осталось рассчитать наблюдаемую статистику.
Для аддитивной модели:
et-1 |
(et-et-1)^2 |
et^2 |
- |
- |
0,532307 |
0,729593 |
1,374649 |
3,617785 |
1,902048 |
18,26177 |
5,623214 |
-2,37133 |
3,097438 |
0,373783 |
-0,61138 |
0,000454 |
0,400276 |
-0,63267 |
2,832054 |
1,102914 |
1,050197 |
3,626734 |
8,729636 |
2,954596 |
2,751604 |
1,679097 |
1,2958 |
3,342463 |
0,283493 |
-0,53244 |
0,006564 |
0,376332 |
-0,61346 |
1,76361 |
0,510583 |
0,714551 |
2,333397 |
0,660961 |
-0,813 |
0,288409 |
0,076153 |
-0,27596 |
0,051777 |
0,253516 |
-0,5035 |
0,224088 |
0,9543 |
-0,97688 |
0,57753 |
0,047058 |
-0,21693 |
0,957862 |
0,580302 |
0,761775 |
1,034552 |
0,065206 |
-0,25535 |
1,200343 |
1,825081 |
-1,35096 |
0,549383 |
0,371797 |
-0,60975 |
0,86163 |
2,365419 |
-1,53799 |
0,670731 |
0,516975 |
-0,71901 |
0,000785 |
0,477481 |
-0,691 |
2,168121 |
0,61067 |
0,781454 |
0,582112 |
0,000342 |
0,018491 |
0,000759 |
8,2E-05 |
-0,00905 |
0,277329 |
0,267875 |
0,517566 |
0,29165 |
0,000505 |
-0,02248 |
0,848786 |
0,890713 |
-0,94378 |
0,966035 |
0,001528 |
0,039095 |
2,236824 |
2,121411 |
-1,45651 |
1,084106 |
0,172476 |
-0,4153 |
8,247003 |
6,034182 |
2,456457 |
0,609989 |
2,807096 |
1,675439 |
3,504348 |
0,038632 |
-0,19655 |
0,278305 |
0,524317 |
-0,7241 |
3,374706 |
1,238636 |
1,11294 |
11,37345 |
20,11876 |
4,485394 |
44,53399 |
4,787279 |
-2,18799 |
0,129567 |
3,341697 |
Для расчета DW разделим сумму 3-ей графы на сумму 4-ой графы.
DW= 1,710481708.
du<DW<4-du – автокорреляция отсутствует.
Для мультипликативной модели:
et-1 |
(et-et-1)^2 |
et^2 |
- |
- |
0,523359 |
0,723436 |
1,380391 |
3,60368 |
1,898336 |
18,2342 |
5,625511 |
-2,37182 |
3,08643 |
0,378215 |
-0,61499 |
0,000707 |
0,411615 |
-0,64157 |
2,842558 |
1,090805 |
1,044416 |
3,639559 |
8,715361 |
2,952179 |
2,766691 |
1,661113 |
1,288842 |
3,307391 |
0,280669 |
-0,52978 |
0,007432 |
0,379445 |
-0,61599 |
1,759357 |
0,504692 |
0,710417 |
2,337335 |
0,669808 |
-0,81842 |
0,289916 |
0,078388 |
-0,27998 |
0,051417 |
0,256778 |
-0,50673 |
0,226956 |
0,966548 |
-0,98313 |
0,579224 |
0,049312 |
-0,22206 |
0,948305 |
0,565121 |
0,751745 |
1,02489 |
0,067924 |
-0,26062 |
1,198685 |
1,837293 |
-1,35547 |
0,546154 |
0,380005 |
-0,61645 |
0,846506 |
2,360842 |
-1,5365 |
0,664356 |
0,520451 |
-0,72142 |
0,000724 |
0,482354 |
-0,69452 |
2,15525 |
0,598394 |
0,773559 |
0,572979 |
0,000276 |
0,016606 |
0,000807 |
0,000139 |
-0,0118 |
0,267655 |
0,255583 |
0,505552 |
0,285891 |
0,000849 |
-0,02914 |
0,857106 |
0,911904 |
-0,95494 |
0,978663 |
0,001179 |
0,034338 |
2,242363 |
2,140704 |
-1,46311 |
1,084475 |
0,177859 |
-0,42173 |
8,285811 |
6,035745 |
2,456775 |
0,614076 |
2,799416 |
1,673146 |
3,50662 |
0,039781 |
-0,19945 |
0,286238 |
0,539436 |
-0,73446 |
3,413826 |
1,239194 |
1,113191 |
11,35649 |
20,09845 |
4,48313 |
44,7413 |
4,865394 |
-2,20576 |
0,136571 |
3,37166 |
Для расчета DW разделим сумму 3-ей графы на сумму 4-ой графы.
DW= 1,710682171.
du<DW<4-du – автокорреляция отсутствует.
Вывод: по тесту Дарбина-Уотсона обе модели равнозначны, автокорреляция в них отсутствует.
3.Тест Бреуша-Годфри.
Для расчета наблюдаемой статистики мы должны задать уравнение e(t)=ϒ1*e(t-1) + ϒ2*e(t-2) + ϒ3*e(t-3) + ϒ4*e(t-4). И найти его R^2.
LM=n*R^2. Где n -количество наблюдений.
Для аддитивной модели:
e(t) |
e(t-1) |
e(t-2) |
e(t-3) |
e(t-4) |
eнабл. |
E(e) |
(eнабл-e ср)^2 |
0,73 |
- |
- |
- |
- |
- |
- |
- |
1,90 |
0,73 |
- |
- |
- |
- |
- |
- |
-2,37 |
1,90 |
0,73 |
- |
- |
- |
- |
- |
-0,61 |
-2,37 |
1,90 |
0,73 |
- |
- |
- |
- |
-0,63 |
-0,61 |
-2,37 |
1,90 |
0,73 |
0,53 |
1,35 |
0,28 |
1,05 |
-0,63 |
-0,61 |
-2,37 |
1,90 |
0,34 |
0,51 |
0,11 |
2,95 |
1,05 |
-0,63 |
-0,61 |
-2,37 |
0,29 |
7,08 |
0,09 |
1,30 |
2,95 |
1,05 |
-0,63 |
-0,61 |
0,31 |
0,96 |
0,10 |
-0,53 |
1,30 |
2,95 |
1,05 |
-0,63 |
-0,74 |
0,04 |
0,55 |
-0,61 |
-0,53 |
1,30 |
2,95 |
1,05 |
-0,63 |
0,00 |
0,40 |
0,71 |
-0,61 |
-0,53 |
1,30 |
2,95 |
0,16 |
0,31 |
0,03 |
-0,81 |
0,71 |
-0,61 |
-0,53 |
1,30 |
0,47 |
1,65 |
0,22 |
-0,28 |
-0,81 |
0,71 |
-0,61 |
-0,53 |
-0,40 |
0,01 |
0,16 |
-0,50 |
-0,28 |
-0,81 |
0,71 |
-0,61 |
0,10 |
0,37 |
0,01 |
-0,98 |
-0,50 |
-0,28 |
-0,81 |
0,71 |
0,08 |
1,11 |
0,01 |
-0,22 |
-0,98 |
-0,50 |
-0,28 |
-0,81 |
-0,10 |
0,01 |
0,01 |
0,76 |
-0,22 |
-0,98 |
-0,50 |
-0,28 |
0,27 |
0,24 |
0,07 |
-0,26 |
0,76 |
-0,22 |
-0,98 |
-0,50 |
0,26 |
0,26 |
0,07 |
-1,35 |
-0,26 |
0,76 |
-0,22 |
-0,98 |
-0,35 |
1,01 |
0,12 |
-0,61 |
-1,35 |
-0,26 |
0,76 |
-0,22 |
-0,28 |
0,11 |
0,08 |
-1,54 |
-0,61 |
-1,35 |
-0,26 |
0,76 |
0,36 |
3,59 |
0,13 |
-0,72 |
-1,54 |
-0,61 |
-1,35 |
-0,26 |
-0,08 |
0,41 |
0,01 |
-0,69 |
-0,72 |
-1,54 |
-0,61 |
-1,35 |
0,26 |
0,91 |
0,07 |
0,78 |
-0,69 |
-0,72 |
-1,54 |
-0,61 |
0,13 |
0,43 |
0,02 |
0,02 |
0,78 |
-0,69 |
-0,72 |
-1,54 |
0,32 |
0,09 |
0,10 |
-0,01 |
0,02 |
0,78 |
-0,69 |
-0,72 |
-0,24 |
0,06 |
0,06 |
0,52 |
-0,01 |
0,02 |
0,78 |
-0,69 |
-0,11 |
0,39 |
0,01 |
-0,02 |
0,52 |
-0,01 |
0,02 |
0,78 |
0,17 |
0,04 |
0,03 |
-0,94 |
-0,02 |
0,52 |
-0,01 |
0,02 |
-0,16 |
0,61 |
0,03 |
0,04 |
-0,94 |
-0,02 |
0,52 |
-0,01 |
-0,23 |
0,07 |
0,05 |
-1,46 |
0,04 |
-0,94 |
-0,02 |
0,52 |
0,34 |
3,22 |
0,11 |
-0,42 |
-1,46 |
0,04 |
-0,94 |
-0,02 |
-0,27 |
0,02 |
0,07 |
2,46 |
-0,42 |
-1,46 |
0,04 |
-0,94 |
0,29 |
4,69 |
0,08 |
1,68 |
2,46 |
-0,42 |
-1,46 |
0,04 |
0,76 |
0,84 |
0,58 |
-0,20 |
1,68 |
2,46 |
-0,42 |
-1,46 |
-0,47 |
0,08 |
0,22 |
-0,72 |
-0,20 |
1,68 |
2,46 |
-0,42 |
-0,75 |
0,00 |
0,56 |
1,11 |
-0,72 |
-0,20 |
1,68 |
2,46 |
-0,03 |
1,30 |
0,00 |
4,49 |
1,11 |
-0,72 |
-0,20 |
1,68 |
0,60 |
15,11 |
0,36 |
-2,19 |
4,49 |
1,11 |
-0,72 |
-0,20 |
0,66 |
8,13 |
0,44 |
-1,83 |
-2,19 |
4,49 |
1,11 |
-0,72 |
-1,99 |
0,02 |
3,94 |
Мы взяли ошибки и сдвинули на 4 лага. Построили по этим данным уравнение регрессии, коэффициенты которого соответственно равны
Y(1) |
Y(2) |
Y(3) |
Y(4) |
0,217 |
-0,309 |
-0,064 |
0,071 |
Нашли наблюдаемые значения, и, вычитая их из реальных, нашли ошибку модели и возвели ее в квадрат.
R^2= 0,142853789
LMнабл.= 5,714151576.
LMкр. = хи^2(0,05;4)=9,4877.
LMнабл< LMкр . следовательно автокорреляция отсутствует.
Для мультипликативной модели:
e(t) |
e(t-1) |
e(t-2) |
e(t-3) |
e(t-4) |
eнабл. |
E(e) |
(eнабл-e ср)^2 |
0,72 |
- |
- |
- |
- |
- |
- |
- |
1,90 |
0,72 |
- |
- |
- |
- |
- |
- |
-2,37 |
1,90 |
0,72 |
- |
- |
- |
- |
- |
-0,61 |
-2,37 |
1,90 |
0,72 |
- |
- |
- |
- |
-0,64 |
-0,61 |
-2,37 |
1,90 |
0,72 |
0,53 |
1,38 |
0,29 |
1,04 |
-0,64 |
-0,61 |
-2,37 |
1,90 |
0,34 |
0,50 |
0,12 |
2,95 |
1,04 |
-0,64 |
-0,61 |
-2,37 |
0,29 |
7,07 |
0,09 |
1,29 |
2,95 |
1,04 |
-0,64 |
-0,61 |
0,31 |
0,95 |
0,10 |
-0,53 |
1,29 |
2,95 |
1,04 |
-0,64 |
-0,75 |
0,05 |
0,55 |
-0,62 |
-0,53 |
1,29 |
2,95 |
1,04 |
-0,63 |
0,00 |
0,39 |
0,71 |
-0,62 |
-0,53 |
1,29 |
2,95 |
0,16 |
0,30 |
0,03 |
-0,82 |
0,71 |
-0,62 |
-0,53 |
1,29 |
0,47 |
1,66 |
0,23 |
-0,28 |
-0,82 |
0,71 |
-0,62 |
-0,53 |
-0,40 |
0,01 |
0,15 |
-0,51 |
-0,28 |
-0,82 |
0,71 |
-0,62 |
0,10 |
0,37 |
0,01 |
-0,98 |
-0,51 |
-0,28 |
-0,82 |
0,71 |
0,08 |
1,13 |
0,01 |
-0,22 |
-0,98 |
-0,51 |
-0,28 |
-0,82 |
-0,10 |
0,02 |
0,01 |
0,75 |
-0,22 |
-0,98 |
-0,51 |
-0,28 |
0,27 |
0,23 |
0,07 |
-0,26 |
0,75 |
-0,22 |
-0,98 |
-0,51 |
0,26 |
0,27 |
0,07 |
-1,36 |
-0,26 |
0,75 |
-0,22 |
-0,98 |
-0,35 |
1,02 |
0,12 |
-0,62 |
-1,36 |
-0,26 |
0,75 |
-0,22 |
-0,28 |
0,12 |
0,07 |
-1,54 |
-0,62 |
-1,36 |
-0,26 |
0,75 |
0,36 |
3,59 |
0,13 |
-0,72 |
-1,54 |
-0,62 |
-1,36 |
-0,26 |
-0,08 |
0,42 |
0,00 |
-0,69 |
-0,72 |
-1,54 |
-0,62 |
-1,36 |
0,26 |
0,91 |
0,07 |
0,77 |
-0,69 |
-0,72 |
-1,54 |
-0,62 |
0,13 |
0,42 |
0,02 |
0,02 |
0,77 |
-0,69 |
-0,72 |
-1,54 |
0,32 |
0,09 |
0,10 |
-0,01 |
0,02 |
0,77 |
-0,69 |
-0,72 |
-0,24 |
0,05 |
0,06 |
0,51 |
-0,01 |
0,02 |
0,77 |
-0,69 |
-0,11 |
0,37 |
0,01 |
-0,03 |
0,51 |
-0,01 |
0,02 |
0,77 |
0,17 |
0,04 |
0,03 |
-0,95 |
-0,03 |
0,51 |
-0,01 |
0,02 |
-0,16 |
0,63 |
0,02 |
0,03 |
-0,95 |
-0,03 |
0,51 |
-0,01 |
-0,23 |
0,07 |
0,05 |
-1,46 |
0,03 |
-0,95 |
-0,03 |
0,51 |
0,34 |
3,26 |
0,12 |
-0,42 |
-1,46 |
0,03 |
-0,95 |
-0,03 |
-0,27 |
0,02 |
0,07 |
2,46 |
-0,42 |
-1,46 |
0,03 |
-0,95 |
0,29 |
4,69 |
0,09 |
1,67 |
2,46 |
-0,42 |
-1,46 |
0,03 |
0,76 |
0,84 |
0,58 |
-0,20 |
1,67 |
2,46 |
-0,42 |
-1,46 |
-0,48 |
0,08 |
0,22 |
-0,73 |
-0,20 |
1,67 |
2,46 |
-0,42 |
-0,75 |
0,00 |
0,55 |
1,11 |
-0,73 |
-0,20 |
1,67 |
2,46 |
-0,03 |
1,30 |
0,00 |
4,48 |
1,11 |
-0,73 |
-0,20 |
1,67 |
0,60 |
15,06 |
0,37 |
-2,21 |
4,48 |
1,11 |
-0,73 |
-0,20 |
0,66 |
8,21 |
0,44 |
-1,84 |
-2,21 |
4,48 |
1,11 |
-0,73 |
-1,99 |
0,02 |
3,95 |
Y(1) |
Y(2) |
Y(3) |
Y(4) |
0,217 |
-0,310 |
-0,063 |
0,072 |
R^2= 0,142958371
LMнабл.= 5,718334826.
LMкр. = хи^2(0,05;4)=9,4877.
LMнабл< LMкр . следовательно автокорреляция отсутствует.
Вывод: по тесту Бреуша-Годфри обе модели равнозначны, автокорреляции нет.
4.Проведем тест на нормальность по методу Жарге-Бера.
Этот тест выглядит следующим образом. он вычисляет выборочные значения для коэффициентов асимметрии и эксцесса, где– выборочное среднее, аσ – выборочное среднеквадратическое остатков.
Для адитивной модели:
σ= |
1,381005468 |
σ^3= |
2,633820625 |
σ^4= |
3,637320685 |
AS= |
0,997753655 |
k= |
4,316756566 |
JB= |
9,05017069 |
ХИ= |
5,991464547 |
Остатки распределены не нормально.
Для мультипликативной модели:
σ= |
1,38197418 |
σ^3= |
2,639367029 |
σ^4= |
3,647537085 |
AS= |
0,997884135 |
k= |
4,318216536 |
JB= |
9,057910884 |
ХИ= |
5,991464547 |
Остатки распределены не нормально.
Так как 4 предыдущие статистики не показали какая из моделей лучше, то критериями Акойта и Шварца. Согласно им среди альтернативных гипотез выбираем модель, у которой минимальны следующие величины:
, где n- количество наблюдений, а k-количество регрессоров.
Для аддитивной модели:
D(e)= |
1,907176102 |
AIC= |
0,745623668 |
BIC= |
0,83006764 |
Для мультипликативной модели:
D(e)= |
1,909852634 |
AIC= |
0,747026084 |
BIC= |
0,831470057 |
Вывод: адитивная модель лучше.
Следующим шагом необходимо сделать точечный и интервальный прогноз на 2 шага вперед. Но так как мы в начале удалили 2 последних наблюдения, то у нас есть возможность проверить правильность прогноза.
Рассчитываем точечный прогноз на 41 и 42 период.
X(t)= 100,8076175- 0,01712926*t.
Для точечного прогноза на 41 период в уравнение вместо t подставляем 41. Для 42 периода прогноз делается аналогично.
t |
y |
41 |
101,5099 |
42 |
101,527 |
Теперь рассчитаем интервальный прогноз дл я116 периода.
=101,5099; - точечный прогноз.
+S11 = 100,80; - точечный прогноз + сезонная компонента.
1,381005468; - среднеквадратическое отклонение ошибки.
= 20,5; - математическое ожидание t.
= 420,3;
=5330;
St=1,450940731;
t(1-α;n-2)=t(0,05;38)=2,024394147;
97,862051 <xt< 103,7366028 -интервальный прогноз.
Аналогично проделаем для 42 периода.
=101,527; - точечный прогноз.
+S12 = 102,33; - точечный прогноз + сезонная компонента.
1,363633638; - среднеквадратическое отклонение ошибки.
= 21; - математическое ожидание t.
=441;
=5740;
St=1,430983595;
t(1-α;n-2)=t(0,05;39)=2,022690901;
99,43243535<xt< 105,2213103; -интервальный прогноз.
Для проверки правильности прогноза рассчитаем абсолютную и относительную ошибку.
предсказанные значения |
реальные значения |
интервал |
t |
100,80 |
100,12 |
97,862051<xt<103,7366028 |
41 |
102,33 |
101,65 |
99,43243535<xt<105,2213103 |
42 |
Абсолютная погрешность (предсказанные – реальные):
погрешность |
t |
0,68 |
41 |
0,68 |
42 |
Относительная погрешность(предсказанные/ абсолютная погрешность):
погрешность |
t |
0,67% |
41 |
0,66% |
42 |
Заметим так же, что предсказанные и реальные значения попали в интервальные прогнозы.