Студопедия

КАТЕГОРИИ:


Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748)

Оценка адекватности и точности моделей прогнозирования




Проверка адекватности выбранных моделей реальному процессу строится на анализе ряда остатков et (et = yt-- ). Принято считать, что модель тренда адекватна описываемому процессу, если значения остаточной компоненты et не являются автокоррелированными (т.е. не зависят друг от друга).

При проверке остатков на отсутствие (наличие) автокорреляции рассчитывается фактическое значение критерия Дарбина – Уотсона по формуле

и сравнивается с границами критерия. При сравнении возможны следующие варианты:

1) если d < dнижн, то гипотеза о независимости случайных отклонений отвергается; (т.е. в ряду остатков есть автокорреляция);

2) если d > dверх, то гипотеза о независимости случайных отклонений не отвергается;

3) если dн < d < dв, то нет достаточных оснований для принятия решений по данному критерию.

Эти варианты относятся к случаю, когда в остатках предполагается наличие положительной автокорреляции, т.е. когда d <2. Когда же расчетное значение d превышает 2, то предполагают наличие в ряду остатков отрицательной автокорреляции. С критическими значениями сравнивается не сам коэффициент d, а 4 – d.

Основными характеристиками качества моделей, выбранных для прогнозирования, являются показатели точности. Понятие точности характеризует степень близости смоделированных (расчетных по определенной модели прогноза) значений () в их совокупности к исходным фактическим данным (y). Чем меньше отличия теоретических значений от эмпирических данных, тем лучше качество модели. Для оценки точности на практике чаще всего используются коэффициент детерминации , среднеквадратическая ошибка , средняя ошибка аппроксимации .

Считается, что чем ближе коэффициент детерминации к единице, тем точнее модель описывает исходный набор данных.

При сравнении разных моделей с помощью средней ошибки аппроксимации и средней квадратической ошибки следует исходить из следующего: чем меньше значение этих характеристик, тем выше точность модели.

 

Под верификацией прогноза понимается оценка его достоверности и точности. Ценность прогноза в большей степени определяется его точностью, которая зависит от степени совпадения будущего значения процесса с оценкой этого значения, сделанной заранее. О точности прогноза принято судить по величине погрешности (ошибке) прогноза - разности между прогнозируемым и фактическим значениями исследуемого признака (абсолютная ошибка). Также широко используется и относительная ошибка прогноза, выраженная в процентах относительно фактического значения показателя. Очевидно, что оценка прогноза возможна только в случаях:

1) когда период упреждения закончился и исследователь имеет фактические значения прогнозируемого показателя;

2) при разработке ретроспективного прогноза.

При ретроспективном (ex post) прогнозировании исходные данные временного ряда делятся на две части, так чтобы во второй части находились более поздние данные, составляющие обычно примерно 15 % всей информации. Данные первой части используются для построения модели прогноза, а данные второй – для оценки точности построенной модели. При ретроспективном прогнозировании следует иметь в виду, что величину ошибки прогноза нельзя рассматривать как доказательство пригодности или непригодности применяемой модели прогнозирования, так как она получена при использовании лишь части имеющихся данных.




Поделиться с друзьями:


Дата добавления: 2015-06-28; Просмотров: 1008; Нарушение авторских прав?; Мы поможем в написании вашей работы!


Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет



studopedia.su - Студопедия (2013 - 2024) год. Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав! Последнее добавление




Генерация страницы за: 0.011 сек.