Pytania na egzamin magisterski - Informatyka Gospodarcza - pytanie 12

Metodyka prognozowania szeregów czasowych za pomocą modeli Arima

Estymacja parametrów modeli jest na ogół zadaniem trudnym. Parametry modeli autoregresyjnych AR mogą być szacowane metodą najmniejszych kwadratów lub z układu równań Yula-Walkera. Do szacowania parametrów pozostałych modeli MA oraz ARMA stosuje na ogół procedury iteracyjne, polegające na poszukiwaniu takich wartości ocen parametrów modelu, dla których suma kwadratów reszt modelu jest najmniejsza.

Modele klasy ARIMA mogą być stosowane wówczas, gdy w szeregu czasowym występuje stały poziom zmiennej prognozowanej i wahania przypadkowe (szereg stacjonarny). W przypadku gdy w szeregu czasowym występuje tendencja rozwojowa i wahania przypadkowe, ich zastosowanie jest poprzedzane przekształceniem (za pomocą operacji różnicowania) pierwotnego szeregu czasowego w szereg stacjonarny. W sytuacji, gdy w szeregu czasowym występują wahania sezonowe, przypadkowe i ewentualnie tendencja rozwojowa, po eliminacji trendu (jeśli występuje) za pomocą operacji różnicowania szeregu, stosuje się model z odpowiednimi opóźnieniami czasowymi zmiennej prognozowanej.

Stosowanie do konstrukcji prognoz modeli ARIMA wymaga dysponowania długim szeregiem czasowym (>50). Używanie do budowy prognoz modeli ARIMA wymaga także znacznej wiedzy prognosty o sposobach szacowania modeli nieliniowych, współczynników autokorelacji i autokorelacji cząstkowej, testowania odpowiednich hipotez itd., Stosowany jest rzadko.

1 2 [3]

Tagi   model arima   prognozowanie