Page 247 - 4512

значення для SS в послідовних ітераціях. В цьому випадку, ре-
тельно оціните відповідність своєї моделі. Якщо Ваша модель
містить багато параметрів, і, можливо, є компонент (див. ни-
жче), що заважає інвертованості, то необхідно спробувати ще
раз з різними початковими значеннями параметра.

14.2.5 ARIMA - Оцінка Моделі

Оцінки параметрів. Модуль Time Series повідомляє ап-
роксимацію t величин, вичислених через стандартні помилки
параметра. Якщо він не істотний, відповідний параметр може
бути у більшості випадків видалений з моделі, не зачіпаючи іс-
тотно загальний порядок моделі.

Інші якісні критерії. Інша пряма і загальна міра надійно-
сті моделі - точність прогнозів, які робляться на часткових да-
них, так, щоб прогнози могли бути порівнянні з відомими (ори-
гінальними) спостереженнями. Проте, хороша модель повинна
не лише забезпечити досить точні прогнози, вона має також
бути досить простою і давати статистично незалежні залишки,
які містять тільки шум і ніяких систематичних компонентів (на-
приклад, корелограма залишків не повинна показувати серіаль-
ної залежності).
Хорошим тестом моделі є: a) візуальне зображення зали-
шків і розгляд їх на предмет наявності будь-яких систематич-
них тенденцій; б) досліджувати автокорелограму залишків (не
повинно бути ніякої серіальної залежності між залишками).

Аналіз залишків (residuals). Головне побоювання при
аналізі часових рядів - те, що залишки систематично розподі-
лені через ряд (наприклад, вони могли бути негативними в пе-
ршій частині ряду і наблизитися до нуля в другій частині) або,
що вони містять деякі серіальні залежності, з яких можна при-
пустити, що модель ARIMA неадекватна. Аналіз ARIMA зали-
шків складає важливий тест моделі. Процедура оцінки припус-
кає, що залишкові не (авто-) корельовані і що вони нормально
розподілені. Модуль Time Series автоматично вичислить зали-
шки, і зробить їх доступними для подальших досліджень з
усіма іншими методами, доступними в цьому модулі; залишки

246