Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
A θ (theta) és φ (phi) koefficiens korlátai, kisebbek, mint 1, de nagyobb, mint 0, kivéve a θ0-t (theta 0-t)<br />
amely bármely valós szám lehet.<br />
ARIMA modellek jellemzése tábla segít a modell kiválasztásában.<br />
Az ARIMA modell paramétereinek becslése a feltételezéses maximum likelihood (ML) (conditional maximum<br />
likelihood ~ feltétételes legnagyobb esélyesség) módszerével történik. Ennek lényege, hogy a<br />
becslőfüggvény készítője ismerettel rendelkezik az alapsokaság eloszlására vonatkozóan, pontosabban<br />
ismeri az alapsokasági eloszlás típusát, de nem ismeri a konkrét alapsokasági paraméterek értékét. Ez a<br />
feltételezés az ARIMA modellek esetében az, hogy a megfigyelések normális eloszlást követnek és eleget<br />
tesznek a stacionaritási követelményeknek. 143 A kezdőértékek számításánál a feltételezéses (conditional)<br />
ML módszert használja, vagyis a kezdőértékek nullák. Például a φ paraméter maximum likelihood (ML)<br />
becslése az a ˆ φ = φ(<br />
Y ) paraméterérték, amelyre φ → fφ (Y ) (tehát a likelihood-függvény) maximális. Tehát<br />
azt a paramétert választjuk becslésnek, ami mellett az Y minta bekövetkezésének „valószerűsége” a<br />
legnagyobb.<br />
Az ARIMA mukafüzeten, a leírtak szerint:<br />
Meg kell adni a paraméterek számát. ARIMA (p, d, q). C (konstans, van=1, nincs= 0) Ha van szezonalítás:<br />
(P, D, Q)s<br />
Ctrl+b módosítja az ARIMA modell paramétereit, amiket a sárga cellákba beírtunk.<br />
Ctrl+k iterációs eljárással becsüli a paramétereket (Ctrl+b utáni paraméterek szerint) és kiszámítja a becsült<br />
paramétereket valamint a következő statisztikákat:<br />
A rendelkezésre álló adatok száma: T<br />
A teszt időszak száma: m<br />
A becslési időszak száma: T-m<br />
A becslésre használt adatok száma összesen T-m (t=1,2,….T-m), minimum 36.<br />
Kieső adatok száma= Kieső adatok száma=p+d+s(P+D)<br />
Felhasználható adatok száma= Az adatok száma - Kieső adatok száma = (T-m) - [p+d+s(P+D)]<br />
Szabadságfok (df) számítása: df=(T-m)–[p+d+s(P+D)] - (p+q+P+Q)<br />
Számtani átlag (Yt):<br />
T−m 1<br />
Y= ∑ Yt<br />
T−m t= 1<br />
SzórásP (Yt):<br />
T−m 1<br />
2<br />
σ Y = ( Yi −Y)<br />
T−m t= 1<br />
∑<br />
Hibanégyzet-összeg (SSE):<br />
T−m 2<br />
SSE = Y − Yˆ<br />
A reziduális szórás (s):<br />
R 2 többszörös determinációs együttható:<br />
∑<br />
t= 1<br />
( t )<br />
( Y ˆ<br />
t − Y)<br />
T−m 2<br />
∑<br />
SSE<br />
t= 1<br />
s = =<br />
df (T-m)-[p+d+s(P+D)] - (p+q+P+Q)<br />
( Y ˆ<br />
t − Y)<br />
T−m 2<br />
∑<br />
t= 1<br />
2<br />
2 ⎛ ⎞<br />
R = 1− ⎜ ⎟ = 1−<br />
T−m ⎝σ 1<br />
Y ⎠ −<br />
T−m t= 1<br />
s (T-m)-[p+d+s(P+D)] - (p+q+P+Q)<br />
∑ ( Yi Y)<br />
Az R 2 negatív is lehet, ha s >σ Y , de a megfelelő modell kiválasztása esetén egyhez közeli érték, különösen<br />
ha sok magyarázóváltozó szerepel a modellben.<br />
143 Ld. Pintér-Rappai szerk. Statisztika.PTE, KTK. 2007. 309-313.<br />
2<br />
132