Page 338 - 4512

того, щоб передбачити "на один період вперед", з числа 24 ін-
ших методів аналізу часового ряду і використання ряду заходів
точності. Таким чином, незалежно від теоретичної моделі для
процесу, що лежить в основі спостережуваного часового ряду,
просте показове згладжування часто робитиме дуже точні про-
гнози.

14.4.2 Вибір кращого значення для параметру згла-
джу-вання (Альфа)

Практичні дослідження показали, що краще оцінювати
оптимально через дані (див. нижче), замість того, щоб "при-
пустити" і встановити штучне низьке значення.

Оцінка кращого значення  через дані. Практично, па-
раметр згладжування часто вибирається сітковим пошуком
простору параметра; тобто, різні рішення для початкового ста-
рту, наприклад, з = 0.1 до  = 0.9 і з приростами 0.1. Краще
значення  вибирається так, щоб отримати найменшу суму ква-
дратів для залишків (тобто, спостережувані значення мінус
прогнози на "один крок вперед"), скорочено (MSE).
Модуль Time Series забезпечує вибір опцій для сіткового
пошуку і також дозволяє автоматично знайти краще значення
параметра через загальну процедуру мінімізації.

14.4.3 Індекси недостатньої відповідності (помилки)

Найбільш простий спосіб для оцінки точності прогнозів
заснованих на специфічному значенні , полягає в тому, щоб
просто показати спостережувані значення і прогнози на "один
крок вперед". У модулі Time Series цей графік включає також
залишки (відкладені на правій осі Y), так, щоб області кращої
або гіршої придатності могли бути легко ідентифіковані. Цей
візуальний огляд точності прогнозів часто найнадійніший ме-
тод для того, щоб визначити, чи відповідає поточна модель по-
казового згладжування даним. Крім того, окрім фактичного

337