Критерий Final Предсказания Ошибки (FPE) Акайке обеспечивает меру качества модели путем моделирования ситуации, когда модель тестируется на другом наборе данных. После вычисления нескольких различных моделей можно сравнить их с помощью этого критерия. Согласно теории Акайке, самая точная модель имеет наименьший FPE.
Если вы используете один и тот же набор данных для оценки модели и валидации, подгонка всегда улучшается, когда вы увеличиваете порядок модели и, следовательно, гибкость структуры модели.
Окончательная ошибка предсказания (FPE) Акайке определяется следующим уравнением:
где:
N - количество значений в наборе данных оценки.
e (t) является вектором ошибок предсказания ny на 1.
представляет предполагаемые параметры.
d - количество предполагаемых параметров.
Если количество параметров превышает количество выборок, FPE не вычисляется при выполнении оценки модели (model.Report.FPE
пуст). fpe
команда возвращает NaN
.