Page 340 - 4512

нена великими позитивними і негативними помилками, які урі-
вноважують один одного. Тому, кращою мірою відповідності є
середня абсолютної процентної помилки. Крім того, ця міра за-
звичай є значимішою, ніж середня квадратична помилка. На-
приклад, знання, що середній прогноз ±5% являється сам по
собі корисним результатом тоді, як середня квадратична поми-
лка 30.8 не може бути негайно інтерпретована.

Automatic search for best parameter (автоматичний по-
шук кращого параметру). Модуль Time Series ефективно ро-
бить припущення з процесу пошуку параметра. Процедура ква-
зіньютонівської мінімізації функцій (аналогічно, як в ARIMA)
використовується, щоб мінімізувати або середню квадратичну
помилку, середню абсолютну помилку або середню абсолютну
процентну помилку. У більшості випадків, ця процедура ефек-
тивніша, ніж сітковий пошук (особливо, коли більше, ніж один
параметр має бути визначений), і оптимум  параметра може
бути швидко знайдений.

The first smoothed value S0 (перше згладжене значення
S0). Завершальною проблемою, являється проблема початко-
вого значення, або як почати процес згладжування. Якщо звер-
нутися до формули вище, очевидно, що вона потребує початко-
вого значення S0, щоб вичислити згладжене значення (прогноз)
для першого спостереження в серії. Залежно від вибору  пара-
метра (тобто, коли  близько до нуля), початкове значення для
процесу згладжування може торкнутися якості прогнозів на ба-
гато спостережень. Як з більшістю інших аспектів показового
згладжування рекомендується вибрати початкове значення, яке
робить кращі прогнози. З іншого боку, практично, коли є багато
попередніх спостережень до фактичного прогнозу, початкове
значення істотно не зачіпатиме цей прогноз, оскільки його
ефект "зникатиме" задовго до прогнозованих спостережень (із-
за ваг, що зменшуються по експоненті, старі спостереження
менше впливатимуть на прогноз). Модуль Time Series враховує
визначені користувачем початкові значення, але також автома-
тично вичислить початкові значення.

339