Критерий Итоговой ошибки прогноза (FPE) Акэйка обеспечивает меру образцового качества путем симуляции ситуации, где модель тестируется на различном наборе данных. После вычисления нескольких различных моделей можно сравнить их использующий этот критерий. Согласно теории Акэйка, самая точная модель имеет самый маленький FPE.
Если вы используете тот же набор данных и для образцовой оценки и для валидации, подгонка всегда улучшается, когда вы увеличиваете порядок модели и, поэтому, гибкость образцовой структуры.
Итоговая ошибка прогноза (FPE) Акэйка задана следующим уравнением:
где:
N является количеством значений в наборе данных оценки.
e (t) является ny-1 вектором ошибок прогноза.
представляет предполагаемые параметры.
d является количеством предполагаемых параметров.
Если количество параметров превышает количество выборок, FPE не вычисляется, когда образцовая оценка выполняется (model.Report.FPE
пуст). Команда fpe
возвращает NaN
.