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.
Az illesztésre (becslésre) felhasznált adatok száma T-m<br />
A hibák (reziduumok) négyzetösszege. 146<br />
Reziduális szórásnégyzet (variancia) (s 2 )<br />
( ˆ )<br />
T−m 2<br />
∑ t<br />
T−m ∑ t<br />
2<br />
t<br />
t= 1 t= 1<br />
SSE = e = Y −Y<br />
( Y ˆ<br />
t − Y)<br />
T−m 2<br />
2 t= 1 s =<br />
(T-m)<br />
A becsült paraméterek száma: P =p+q+P+Q<br />
Az AIC, BIC és HQC mutatók eredeti és logaritmizált formákban:<br />
∑<br />
2P<br />
2 T−m AIC(P) = s e<br />
2 2P<br />
LN(AIC (P) ) = LN(s ) +<br />
T−m P<br />
2 T−m BIC s (T m)<br />
(P) = −<br />
2 P<br />
BIC(P)<br />
<br />
T−m 2P<br />
2 (T−m) HQC (P) = s (LN[T −m])<br />
LN( ) = LN(s ) + LN(T −m)<br />
2P<br />
= + −<br />
T−m 2<br />
LN(HQC ) LN(s ) LN(LN[T m])<br />
(P) <br />
Több ARIMA modell közül azt választjuk, amelyre az AIC-, BIC- a HQC - érték a legkisebb. A szelekciós<br />
kritériumok működésük elve a következő: a kisebb hibájú modellt preferálják, de ezek közül is azt<br />
választják, amelyik a kevesebb paramétert használ. A kétféle kritérium egymásnak ellentmondó eredményre<br />
is vezethet. A magyarázó változók számának növekedését a Schwartz-féle bayesi kritérium<br />
(BICp) jobban bünteti. A szelekciós kritériumok kiválasztása arra vonatkozik, hogy mely koefficienseket<br />
használjuk (tartjuk meg) a modellünkben. Minél egyszerűbb ARIMA modellel tudunk jó prognózist készíteni,<br />
annál megbízhatóbb prognózist tudunk készíteni.<br />
Az (SSE/T-m), egy megfigyelési idősor egységre vetítve az átlagos hiba. Így kezdődik mind három mutató.<br />
A hiba minél kisebb annál jobb, tehát ez a modell úgy fog működni, hogy minél kisebb a hiba, annál<br />
jobb a mutató, de a javulást ellensúlyozza a paraméterek számának növekedése. Ezt fejezi ki az e a (T-m)<br />
illetve ln(T-m) alapú hatvány, amit büntetőfaktornak nevezünk.<br />
A véletlen változó, (reziduumok et) vizsgálata.<br />
A modell ellenőrzése annak a vizsgálatát jelenti, hogy a becsült ARIMA modell eleget tesz-e a lineáris<br />
regressziós modell szokásos feltételeinek. A feltételek (ld. regresszio.xls parancsfájl leírását) a véletlen<br />
változóra vonatkoznak, így a modell ellenőrzése az et reziduumok véletlen jellegének vizsgálatát jelenti.<br />
Ezeknek a számításoknak egy részét már elvégeztük a modell azonosítása munkafázisban, amikor azt ellenőriztük,<br />
hogy az Yt változók illetve azok transzformációjával (Box-Cox-transzformáció és differencia<br />
képzés, d és D) nyert transzformált változók eleget tesznek-e a stacionaritás követelményének illetve,<br />
hogy a változó, a megfigyelt idősor (Yt) hibái, vagyis az autokorrelációs együtthatók fehér zajt alkotnake.<br />
Ezt Q*-teszttel ellenőriztük.<br />
Most viszont becsült ARIMA modellel rendelkezünk és ellenőriznünk kell azt, hogy a becsült<br />
reziduumok véletlen jellege igazolható-e.<br />
A lineáris regressziós modell feltételeit az ARIMA modellre felírva: az ê t véletlen változó független véletlen<br />
folyamatot (fehér zaj folyamatot) követ, nulla várható értékkel és konstans szórásnégyzettel. A<br />
konstans szórásnégyzet állandóságára vonatkozó feltétel teljesülését ellenőrizhetjük a reziduumok grafikus<br />
ábrája alapján. Ld. Reziduum munkalapot.<br />
146 Másik neve az SSE-nek a nemzetközi irodalomban: Residual Sum of Squares (RSS)<br />
135