Анализ линейной модели:
· Название модели. Уравнение тренда. Значение R2.
· Сезонная компонента (значение и график). (Если есть сезонность во ВР)
· Значение MAD,MSE, MAPE, MPE
· График тренда
· Выбор типа тренда по R2 после работы с параболической моделью.
Additive Model
Уравнение тренда: Yt = 72,7958 + 0,743143*t
R^2= 0,979136
сезонный временной ряд
Decomposition - Component Analysis for Туриcты
Линейно мультипликативная модель
Multiplicative Model
Data Туриcты
Уравнение тренда: Yt = 72,2651 + 0,760331*t
R^2=
0,961811
Time Series Decomposition Plot for Туриcты
Анализ параболической модели:
· Название модели. Значение R2.
· Сезонная компонента (значение и график). (Если есть сезонность во ВР)
· Значение MAD,MSE, MAPE, MPE
· График тренда
· Выбор типа тренда по R2
Аддитивная параболическая модель.
Trend Analysis for Туриcты
Уравнение тренда:
Yt = 73,9564 + 0,734098*t - 0,000719185*t**2
Series Decomposition for RESI2
R^2=0,977121
Time Series Decomposition Plot for RESI2
Decomposition - Component Analysis for RESI2
Мультипликативная параболическая модель
Data Туриcты. Уравнение тренда:
Yt = 73,9564 + 0,734098*t - 0,000719185*t**2
От полученных FITS5, рассчитываем S*E используя наши FITS5 и показатели Туристы.
X (t) =T (t) *S (t) *E (t) => X (t) /T (t) =S (t) *E (t)
Time Series Decomposition for S*E
Multiplicative Model
Использую полученные FITS6 (S*E) и само S*E, подсчитаем конечные остатки-E (r).
По этим остаткам находим коэффициент детерминации.
S*E |
FITS6_se |
RESI6_se |
E (r) |
1,21034 |
1, 19186 |
0,018476 |
1,0155 |
1,26621 |
1,11283 |
0,153388 |
1,13784 |
1,14639 |
1,15489 |
-0,0085 |
0,99264 |
1,04447 |
1,0878 |
-0,04333 |
0,96016 |
. |
… |
… |
… |
R^2= 0,996968
Вывод. После построения нескольких моделей, выявлено то, что модель ПМ является наиболее лучшей с коэффициентом детерминации - 0,996968.
Модель:
= (73,9564 + 0,734098*t - 0,000719185*t^2) *S*E (r)
где Сезонность:
………