После определения модели и оценки ее параметров, это - хорошая практика, чтобы выполнить проверки качества подгонки, чтобы диагностировать соответствие вашей подобранной модели. При оценке соответствия модели области первоочередной задачи:
Нарушения предположений модели, потенциально приводящих к смещению и неточным стандартным погрешностям
Плохая прогнозирующая эффективность
Пропавшие без вести объясняющих переменных
Проверки качества подгонки могут помочь вам идентифицировать области несоответствия модели. Они могут также предложить способы улучшить вашу модель. Например, если вы проводите тест для остаточной автокорреляции и получаете значительный результат, вы можете смочь улучшить свою подгонку модели путем добавления дополнительных терминов авторегрессивного или скользящего среднего значения.
Некоторые стратегии оценки качества подгонки:
Сравните свою модель с увеличенной альтернативой. Сделайте сравнения, например, путем проведения теста отношения правдоподобия. Тестирование вашей модели против более тщательно продуманной альтернативной модели является способом оценить доказательство несоответствия. Тщательно обдумайте при выборе альтернативной модели.
Создание остаточных диагностических графиков является неофициальным — но полезный — способ оценить нарушение предположений модели. Можно построить остаточные значения, чтобы проверять на нормальность, остаточную автокорреляцию, невязка heteroscedasticity и недостающие предикторы. Формальные тесты для автокорреляции и heteroscedasticity могут также помочь определить количество возможных нарушений модели.
Прогнозирующие проверки эффективности. Разделите свои данные на две части: набор обучающих данных и валидация установлены. Подбирайте свою модель с помощью только обучающие данные, и затем предскажите подобранную модель за период валидации. Путем сравнения модели предсказывает против истинных, наблюдений затяжки, можно оценить прогнозирующую эффективность модели. Среднеквадратичная погрешность предсказания (PMSE) может быть вычислена как числовые сводные данные прогнозирующей эффективности. При выборе среди конкурирующих моделей можно посмотреть на их соответствующие значения PMSE, чтобы сравнить прогнозирующую эффективность.
