معیارهایی جدید برای انتخاب مرتبه مدل هایARدر حالتِ محدود بودن تعداد داده ها

در معیارهایی که تاکنون برای انتخاب مرتبه مدل های Autoregressive) AR در حالت محدود بودن تعداد داده ها ار ائه شده اند، هموارهپارامترهایی که برای تخمین خطای پیشگویی(Prediction errorبا استفاده از واریانس ماندهResidual variance به کار می روند همان پارامترهاییهستند که در فرمول توصیف کننده واریانس مانده نیز به کار می روند . در [ ١] نشان داده شده است که در حا لتی که از روشLSFLeast-Squares-Forwardبرای تخمین ضرایب مدلAR استفاده شود، این دو دسته پارامتر باید متفاوت باشند . در این مقاله پارامترهایی جدید برای استفاده در تخمین خطای پیشگویی با استفاده از واریانس مانده پیشنهاد می شود که با پارامتر های مورد استفاده در توصیف واریانس مانده تفاوت دارند.نشان داده می شود که استفاده از این پارامترهای جدید منجر به تخمین هایی بسیار بهتر برای خطای پیشگویی می شود . همچنین نشان داده می شود که استفاده از این پارامترهای جدید باعث بهبود قابل توجه در عملکرد معیارهای انتخاب مرتبه می شود

کلیدواژه ها:

انتخاب مرتبه ، خطای پیشگوییمدلAR