Validation Period

Model	RMSE	MAE	MAPE	ME	MPE
(A)	8,58048	7,07664	2,65721	1,68867	0,607385
(B)	6,76632	6,71417	2,54123	1,95899	0,715411
(C)	11,4259	8,66445	3,30967	-8,66445	-3,30967
(D)	7,06	5,71745	2,16912	-1,48085	-0,593942
(E)	9,16633	8,92219	3,37171	4,95364	1,84793

Таблица №14. Сравнение ARIMA моделей. Показатели информационной пригодности для тестовой выборки

Модель E можно сразу же отбросить, так как в остатках нарушается условие постоянства дисперсии (VAR), т.е. ее остатки не соответствуют процессу белый шум. Модель A имеет довольно большое значение среднеквадратической ошибки по сравнению со всеми остальными, так же не все параметры модели получились значимыми, поэтому она тоже отбрасывается.

Модель D имеет довольно малую среднеквадратическую ошибку, но его параметры значимы не для всех уровней значимости, поэтому его тоже следует отбросить.

Если смотреть на график автокорреляционной функции остатков модели B, то обнаружится, что в них присутствует автокорреляция первого и второго порядков.

Заметим, что для оставшейся модели RMSE для тестовой выборки самое большое, однако, этот же показатель на всей выборке получился самым маленьким на всей обучающей выборке. Все параметры модели значимы, поэтому выберем для прогноза именно эту модель. Приведем ее параметры и график:

Рисунок №12. График модели ARIMA(2,0,1) с константой.

Parameter	Estimate	Stnd. Error	t	P-value
AR(1)	1,94646	0,0361762	53,8051	0,000000
AR(2)	-0,960507	0,0346632	-27,7097	0,000000
MA(1)	0,916148	0,0651662	14,0586	0,000000
Mean	402,705	36,0374	11,1746	0,000000
Constant	5,65512