- •К лабораторной работе № 8
- •Севастополь
- •1 Цель работы
- •2 Теоретические сведения
- •2.1 Сущность метода Бокса-Дженкинса
- •2.1.1 Методология прогнозирования Бокса-Дженкинса
- •2.1.2 Авторегрессионные модели
- •2.1.3 Модели со скользящим средним
- •2.1.3 Модели с авторегрессий и скользящим средним
- •2.2 Реализация стратегии разработки модели
- •2.2.1 Этап 1 Определение модели
- •2.2.2 Этап 2 Оценка модели
- •2.2.3 Этап 3. Проверка модели
- •2.2.4 Этап 4. Прогнозирование на основе выбранной модели
- •2.3 Критерии выбора модели
- •2.4 Модели для сезонных данных
- •2.5 Простое экспоненциальное сглаживание и модель arima
- •2.6 Преимущества и недостатки моделей arima
- •3 Практическая часть
- •3.1 Постановка задачи
- •3.2 Пример использования Minitab for Windows для построения моделей arima
- •4 Порядок выполнения работы
- •5 Контрольные вопросы
- •Библиографический список
- •Приложение а Автокорреляционные и частные автокорреляционные коэффициенты моделей
2.5 Простое экспоненциальное сглаживание и модель arima
В отдельных моделях ARIMA делаются такие же прогнозы, или почти такие же, как и при использовании сглаживающих методов. Для иллюстрации этого утверждения рассмотрим модель ARIMA(0,1,1).
(8)
Предположим, что начальной точкой прогнозирования является t и необходим прогноз для . Заменим в уравнении 8 индекс t на t+1, и тогда решение дается следующим уравнением:
Поскольку в момент времени t наилучшим предположением о величине является нуль и оценивается с помощью остатка , то уравнение прогноза будет следующим
(9)
Пусть , тогда уравнение 9 будет идентично уравнению для метода простого экспоненциального сглаживания:
Прогнозирование с помощью простого экспоненциального сглаживания эквивалентно генерированию прогноза на основе модели ARIMA(0,l,l) с параметром . Следует отметить, что модель ARIMA(0,l,l) описывает нестационарный процесс. Обычное экспоненциальное сглаживание будет хорошо работать для тех рядов, которые можно адекватно описывать с помощью модели ARIMA(0,l,l). И наоборот, для тех временных рядов, которые не описываются адекватно этой моделью, прогноз, построенный с помощью экспоненциального сглаживания, не может быть достаточно хорош.
Для простого экспоненциального сглаживания параметр ограничивается интервалом 0<<1. Параметр скользящего среднего в модели ARIMA(0,l,l) ограничивается промежутком -1<<1, так что, строго говоря, эти два метода прогнозирования эквивалентны только при позитивных значениях параметров и .
2.6 Преимущества и недостатки моделей arima
Подход Бокса-Дженкинса к анализу временных рядов является весьма мощным инструментом для построения точных прогнозов с малой дальностью прогнозирования. Модели ARIMA достаточно гибкие и могут описывать широкий спектр характеристик временных рядов, встречающихся на практике. Формальная процедура проверки модели на адекватность проста и доступна. Кроме того, прогнозы и интервалы предсказания следуют непосредственно из подобранной модели.
Однако использование моделей ARIMA имеет и несколько недостатков.
-
Необходимо относительно большое количество исходных данных. Следует понимать, что если данные периодичны со, скажем, сезонным периодом S= 12, то наблюдения за один полный год будут составлять фактически одно сезонное значение данных (один взгляд на сезонную структуру), а не двенадцать значений. Вообще говоря, при использовании модели ARIMA для несезонных данных необходимо около 40 или более наблюдений. При построении модели ARIMA для сезонных данных нужны наблюдения приблизительно за 6-10 лет, в зависимости от величины периода сезонности.
-
Не существует простого способа корректировки параметров моделей ARIMA, такого как в некоторых сглаживающих методах, когда задействуются новые данные. Модель приходится периодически полностью перестраивать, а иногда требуется выбрать совершенно новую модель.
-
Построение удовлетворительной модели ARIMA зачастую требует больших затрат времени и ресурсов. Для моделей ARIMA расходы на построение модели, время выполнения вычислений и объемы необходимых баз данных могут оказаться существенно выше, чем для более традиционных методов прогнозирования, таких как сглаживание.