Сторінка
2
.
З огляду на співвідношення (6) і те, що є розв’язками відповідного однорідного рівняння, маємо:
. (7)
Розв’язуючи рівняння (6) і (7), одержимо:
,
,
А звідси:
,
.
Таким чином, частковий розв’язок рівняння (4) має вигляд:
.
Отже, загальний розв’язок приймає такий вигляд:
,
де константи, що визначаються з початкових умов.
Використовуючи початкові умови, одержуємо значення невідомих констант:
,
.
Отже, загальний розв’язок рівняння (4) має такий вигляд:
.
Отриманий розв’язок зручно використовувати для прогнозування процесу інфляції.
Прогнозоване значення на – періодів дискретизації змін можна записати при , як :
,
Де , початкові умови щодо -го моменту часу.
Функція прогнозування на кроків має вигляд:
.
Використовуючи отримане рівняння, можна записати функції прогнозування на декілька кроків. Наприклад,
: ,
:
,
:
.
Оцінювання якості прогнозу. Для оцінки якості моделі необхідно визначити, наскільки добре модель описує реальний часовий ряд. Завжди рекомендується робити ретроспективний прогноз після моделювання. Для оцінки якості прогнозу застосовують такі формальні критерії:
– формальні статистики (див. нижче);
– поворотні точки (точки перегину);
– чутливість до зміни початкових умов;
– чутливість до зміни коефіцієнтів.
Формальними статистиками перевірки якості прогнозу є наступні:
Середньоквадратична помилка RSME:
RSME =.
Середня помилка ME:
ME =.
Середня процентна помилка MPE:
MPE =.
Середня процентна абсолютна помилка MAPE:
MAPE =.
Коефіцієнт нерівності Тейла U:
.
Відношення упередженості:
.
Відношення варіацій:
.
Відношення коваріацій:
.
RSME, як міра точності, є стандартним відхиленням залишків. ME вимірює упередженість в оцінюванні. За припущенням, середня помилка повинна дорівнювати нулю, інакше в оцінці присутній зсув (іноді його називають упередженістю). Середня процентна помилка MPE забезпечує відносну оцінку зсуву прогнозу. МАРЕ подібна RSME, але вона є відносною мірою точності моделі.
Коефіцієнт нерівності Тейла є дуже важливим індикатором точності моделі і її відповідностей ряду. При побудові його величина знаходиться між 0 і 1, якщо U = 1, модель не може бути використана для прогнозування. Прогнозований і реальний ряди є некорельованими. У протилежному випадку, якщо U = 0, прогнозовані ряди збігаються з реальними, і модель є адекватною.
Цей коефіцієнт може бути розкладений на суму таких складових: складова, що характеризує систематичне відхилення , відношення варіацій і відношення коваріацій . використовується для перевірки наявності систематичних відхилень, середніх для реальних і прогнозованих рядів. Інакше кажучи, відбувається визначення факту – чи модель постійно перевищує, чи зменшує прогноз. Чим меншою є величина , тим краще. Якщо = 0, то в прогнозованих значеннях відсутній зсув і модель є якісною.
Відношення варіацій використовується для перевірки того, що модель має достатньо динамічних властивостей для поглинання варіації реальних рядів. Наприклад, модель може забезпечити менші систематичні коливання, ніж коливання реальних рядів. Аналогічно , менші значення є індикатором меншого зсуву.