Следящий контрольный сигнал
Материал из MachineLearning.
м |
|||
| (2 промежуточные версии не показаны) | |||
| Строка 5: | Строка 5: | ||
Если ошибка <tex>\eps_t</tex> невелика, т.е. разница между реальными данными и прогнозом мала, то использование данной модели оправдано. | Если ошибка <tex>\eps_t</tex> невелика, т.е. разница между реальными данными и прогнозом мала, то использование данной модели оправдано. | ||
== Определение == | == Определение == | ||
| - | <tex>K_t = \frac{\hat{\eps}_t}{\tilde{\eps}_t}</tex> — | + | <tex>K_t = \frac{\hat{\eps}_t}{\tilde{\eps}_t}</tex> — следящий контрольный сигнал. |
Рекуррентная формула вычисления ошибок: | Рекуррентная формула вычисления ошибок: | ||
| Строка 22: | Строка 22: | ||
При <tex>\gamma \leq 0.1, \; t \rightarrow \infty, \; \hat{\eps}_t \sim N(0,\sigma^2 \frac{\gamma}{2-\gamma}), \; \sigma^2 = E\eps^2_t</tex> — дисперсия шума. <tex> \hat{\eps}_t \approx \sigma/1.2</tex>. | При <tex>\gamma \leq 0.1, \; t \rightarrow \infty, \; \hat{\eps}_t \sim N(0,\sigma^2 \frac{\gamma}{2-\gamma}), \; \sigma^2 = E\eps^2_t</tex> — дисперсия шума. <tex> \hat{\eps}_t \approx \sigma/1.2</tex>. | ||
| - | '''Статистика:''' | + | '''Статистика:''' Следящий контрольный сигнал — <tex>K_t</tex> . |
[[Изображение:NormalDistribCrop.png|220px|thumb|Нормальное распределение. Серым обозначена область ограниченная [[Доверительный интервал| доверительным интервалом]].]] | [[Изображение:NormalDistribCrop.png|220px|thumb|Нормальное распределение. Серым обозначена область ограниченная [[Доверительный интервал| доверительным интервалом]].]] | ||
| - | '''Критерий:''' Если <tex>K_t \in \left[-1.2 \Phi_{\frac{\alpha}{2}} \sqrt{\frac{\gamma}{2-\gamma}}, \; 1.2 \Phi_{1-\frac{\alpha}{2}} \sqrt{\frac{\gamma}{2-\gamma} \right]</tex>, где <tex>\Phi_{\alpha}</tex> | + | '''Критерий:''' Если <tex>K_t \in \left[-1.2 \Phi_{\frac{\alpha}{2}} \sqrt{\frac{\gamma}{2-\gamma}}, \; 1.2 \Phi_{1-\frac{\alpha}{2}} \sqrt{\frac{\gamma}{2-\gamma} \right]</tex>, где <tex>\Phi_{\alpha}</tex> — α-[[Квантиль|квантиль]] нормального распределения, то гипотеза <tex>H_0</tex> верна. |
== Литература== | == Литература== | ||
| Строка 39: | Строка 39: | ||
[[Модель Тейла-Вейджа]] — учитываются аддитивный тренд и сезонность. | [[Модель Тейла-Вейджа]] — учитываются аддитивный тренд и сезонность. | ||
| - | [[Модель Тригга-Лича]] — | + | [[Модель Тригга-Лича]] — следящий контрольный сигнал используется для адаптации параметров адаптации. |
[[Категория:Прогнозирование временных рядов]] | [[Категория:Прогнозирование временных рядов]] | ||
[[Категория:Прикладная статистика]] | [[Категория:Прикладная статистика]] | ||
[[Категория:Энциклопедия анализа данных]] | [[Категория:Энциклопедия анализа данных]] | ||
Текущая версия
|
При использовании модели прогнозирования временного ряда встаёт проблема адекватности этой модели.
Пусть , где
— данные, которые уже известны,
— прогноз на момент t, полученный с помощью некоторой адаптивной модели.
Если ошибка
невелика, т.е. разница между реальными данными и прогнозом мала, то использование данной модели оправдано.
Определение
— следящий контрольный сигнал.
Рекуррентная формула вычисления ошибок:
;
;
где , рекомендуется брать
Гипотеза адекватности модели
Гипотеза: : модель адекватна.
При — дисперсия шума.
.
Статистика: Следящий контрольный сигнал — .
Критерий: Если , где
— α-квантиль нормального распределения, то гипотеза
верна.
Литература
Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.
Ссылки
Модель Брауна — экспоненциальное сглаживание.
Модель Хольта — учитываются линейный тренд без сезонности.
Модель Хольта-Уинтерса — учитываются мультипликативный тренд и сезонность.
Модель Тейла-Вейджа — учитываются аддитивный тренд и сезонность.
Модель Тригга-Лича — следящий контрольный сигнал используется для адаптации параметров адаптации.
