В первую очередь проверяется гипотеза о наиболее простой - линейной форме уравнения тренда, т. е. о несущественности различий цепных абсолютных изменений. Имеем 12 абсолютных изменений скользящей средней, которая хотя и сгладила сильные колебания уровней ряда, но как видим, ее абсолютные изменения далеко не одинаковы. Разбиваем эти 12 цепных приростов на два подпериода по 6 приростов в каждом, и для каждого подпериода вычисляем среднюю А , среднее квадратическое отклонение (СКО) как оценку генерального СКО с учетом потери одной степени свободы вариации, s [c.327]
Как видно из графика на рис. 6.3, имеются существенные колебания показателей объема продаж. Однако отмечается видимая тенденция к увеличению объема продаж, и соответствующий тренд можно выделить с помощью методов регрессии. Линия регрессии показана на графике (рис. 6.3). Из графика видно, что зависимость определена не столь четко, как в предыдущем примере. Так, коэффициент корреляции для этих данных будет значительно меньше по величине, и вообще может оказаться незначимым. Долговременный тренд может быть линейным или нелинейным. Эти данные трудно анализировать из-за сильных расхождений между соседними значениями. Часто, когда мы имеем дело с такого рода данными, необходимо сгладить колебания, и только потом можно сделать какой-либо имеющий смысл прогноз. Методы сглаживания данных временных рядов будут более подробно рассмотрены в последующих разделах. [c.188]
Пусть вначале /п=1. Обозначим, по-прежнему, через i (t) случайную функцию, характеризующую течение интересующего нас процесса, а через (/)—наблюдаемый случайный процесс. Пусть ti,. .., in — фиксированные моменты времени, в, которые требуется сгладить или прогнозировать случайную функцию r (t). Обозначим через i = ( t, Ti) сглаженное или упрежденное (в зависимости от постановки задачи) значение r (-t). В задачах линейной фильтрации и прогноза [c.317]
Эта величина линейно изменяется с выносом R. При большом расстоянии между профилями (при грубой выборке) отношение кратности уменьшается, что может быть приемлемо для глубоких объектов (на дальних выносах кратность существенно возрастает). Уменьшение расстояния между профилями приводит к увеличению отношения кратности, следовательно, к росту кратности на ближнем выносе, что благоприятно для объектов в верхней части разреза. Используя узкую азимутальную группу (см. Раздел 3.3), можно достичь компромисса и сгладить распределение кратности. [c.26]