Слайд 3СГЛАЖИВАНИЕ
Для облегчения дальнейшего исследования и для выделения трендовой компоненты процесса произведем сглаживание
![СГЛАЖИВАНИЕ Для облегчения дальнейшего исследования и для выделения трендовой компоненты процесса произведем](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-2.jpg)
полученного временного ряда с помощью процедуры простой скользящей средней при количестве периодов m=3, m=5, m=7.
Слайд 4СГЛАЖИВАНИЕ. ГРАФИКИ
Для дальнейшего исследования был выбран временной ряд, сглаженный простой скользящей средней
![СГЛАЖИВАНИЕ. ГРАФИКИ Для дальнейшего исследования был выбран временной ряд, сглаженный простой скользящей](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-3.jpg)
с количеством периодов равным 3 (количество периодов m = 3). Было выбрано сглаживание с количеством периодов 3, так как, таким образом, мы снижаем количество шумов, сглаживая пики.
Слайд 5МОДЕЛЬ КРИВОЙ РОСТА
Воспользуемся надстройкой Анализ данных, инструментом анализа Регрессия и получим коэффициенты
![МОДЕЛЬ КРИВОЙ РОСТА Воспользуемся надстройкой Анализ данных, инструментом анализа Регрессия и получим](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-4.jpg)
модели кривой роста. Проверим их значимость при уровне значимости 0,05. Коэффициенты выделены красным.
Слайд 6ПРОВЕРКА УСЛОВИЙ ГАУССА-МАРКОВА
Для того чтобы регрессионный анализ давал наилучшие из всех возможных
![ПРОВЕРКА УСЛОВИЙ ГАУССА-МАРКОВА Для того чтобы регрессионный анализ давал наилучшие из всех](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-5.jpg)
результаты, случайная ошибка должна удовлетворять определенным условиям, известным как условия Гаусса-Маркова.
Наиболее важными свойствами остатков являются равенство математического ожидания нулю, независимость последовательных уровней ряда остатков, их случайность и соответствие нормальному закону распределения.
Слайд 7ПРОВЕРКА УСЛОВИЙ ГАУССА-МАРКОВА
Наличие автокорреляции говорит о том, что каждое следующее значение остатков
![ПРОВЕРКА УСЛОВИЙ ГАУССА-МАРКОВА Наличие автокорреляции говорит о том, что каждое следующее значение](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-6.jpg)
зависит от предшествующих. По одной из причин, может быть отсутствие фактора, оказывающего существенное влияние на результат, но влияние которого отражается в остатках.
Модель удовлетворяет нормальному распределению.
Слайд 8МОДЕЛЬ БРАУНА
Модель Брауна, в нашем случае, отражает развитие в виде линейной тенденции
![МОДЕЛЬ БРАУНА Модель Брауна, в нашем случае, отражает развитие в виде линейной](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-7.jpg)
и имеет два параметра:
a – значение, близкое к последнему значению ряда;
b – определяет прирост, сформировавшийся к концу периода наблюдений.
По первым пяти точкам получим начальные значения а и b. Затем перенесем в таблицу и посчитаем.
Слайд 9МОДЕЛЬ ПО МЕТОДУ ХОЛЬДА
Вид экспоненциального сглаживания, двухпараметрический способ сглаживания (метод Хольда) включает
![МОДЕЛЬ ПО МЕТОДУ ХОЛЬДА Вид экспоненциального сглаживания, двухпараметрический способ сглаживания (метод Хольда)](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-8.jpg)
два уравнения. Первое предназначено для сглаживания наблюдённых значений, а второе – для сглаживания тренда. Двухпараметрическое сглаживание, потому что учитывается значение времени и тренда.
Получим более точную оценку начального значения b, используя первые 5 наблюдений ряда.
Слайд 10ГРАФИК (МОДЕЛЬ КРИВОЙ РОСТА)
Вычислим точечные значения, вычислим значение U и получим доверительный
![ГРАФИК (МОДЕЛЬ КРИВОЙ РОСТА) Вычислим точечные значения, вычислим значение U и получим](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-9.jpg)
интервал прогноз. Построим график.
Слайд 11ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ КРИВОЙ РОСТА)
![ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ КРИВОЙ РОСТА)](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-10.jpg)
Слайд 12ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ БРАУНА)
Вычислим точечные значения. Построим график.
![ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ БРАУНА) Вычислим точечные значения. Построим график.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-11.jpg)
Слайд 14ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ ХОЛЬДА)
Вычислим точечные значения. Построим график.
![ПРОГНОЗИРОВАНИЕ (МОДЕЛЬ ХОЛЬДА) Вычислим точечные значения. Построим график.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-13.jpg)
Слайд 15ГРАФИК (МОДЕЛЬ ПО МЕТОДУ ХОЛЬДА)
![ГРАФИК (МОДЕЛЬ ПО МЕТОДУ ХОЛЬДА)](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/1179616/slide-14.jpg)