Составители:
Рубрика:
ной нормальной плотностью. Полезно также просмотреть автокорреляции ос-
татков (Autocorrelations of residuals).
5) В левой части окна результатов имеется группа кнопка Forecasting —
Прогнозирование. Установите опции — прогноз на 24 случая вперед, уровень
доверия 0.9. Щелкните кнопку Plot series & forecasts. Вы увидите прогноз, ко-
торый дает построенная модель.
Задание 3. Осуществить прогноз того же ряда (что и в задании 2) и
сравнить его с экспериментальными данными.
Теперь аналогичным образом подгоните модель ARIMA к тому же ряду,
используя случаи с 1 по 120 (воспользуйтесь кнопкой Select cases на стартовой
панели модуля). Осуществите прогноз на 24 месяца вперед и сравните его с
экспериментальными данными.
Задание 4. Провести анализ временного ряда курса акций IBM.
Проведите аналогичный анализ временного ряда курса акций IBM (файл
ibm1.sta). Сохраните наиболее существенные результаты своей работы в файле
отчета.
Приложение.
О методах максимального правдоподобия и наименьших квадратов
В статистике одним из часто используемых методов оценки параметров
некоторого распределения по экспериментальным данным является метод мак-
симального правдоподобия. Пусть p(a) — функция плотности распределения
вероятностей случайной величины a в некоторый момент времени t (для любо-
го t одинакова). Пусть эта функция зависит от параметров, значения которых
следует оценить по экспериментальным данным. Совместная N-мерная плот-
ность распределения вероятностей величин
в моменты времени (i = 1,
)(
i
ta
i
t
15
Сезонные параметры P и Q отвечают за добавку в правую часть модели (7) еще двух сумм,
20
