Аналитическое выравнивание (сглаживание) временного ряда можно проводить с помощью любой случайно выбранной функции:
Большое значение в анализе временных рядов имеют стационарные временные ряды, вероятностные свойства которых не изменяются во времени:
В модели Койка коэффициенты при лаговых переменных образуют арифметическую прогрессию:
В моделях временных рядов часто значения объясняемых переменных зависят от их значений в предыдущие моменты времени:
В случае временного ряда, регрессоры которого представляют собой временной тренд, циклическую и сезонную компоненты, объясняющие переменные случайны:
Для данного временного ряда всегда удается подобрать адекватную модель, для которой ряд возмущений будет удовлетворять основным предпосылкам регрессионного анализа:
Если ряд является стационарным, то в каждый следующий момент времени его значение будет увеличиваться на одну и ту же величину:
Метод скользящих средних основан на переходе от начальных значений членов ряда к их средним значениям на интервале времени, длина которого определена заранее:
При применении метода наименьших квадратов для оценки параметров экспоненциальной, логистической функций или функции Гомперца отсутствуют сложности с решением получаемой системы нормальных уравнений:
При прогнозировании поведения временного ряда можно точно предсказать его значение для любого значения времени:
При рассмотрении классической модели регрессии характер экспериментальных данных всегда имеет принципиальное значение:
При рассмотрении конкретных регрессионных моделей временных рядов с коррелированностью регрессоров и ошибок приходится сталкиваться довольно часто:
Процедура двухшагового метода наименьших квадратов реализована в большинстве компьютерных регрессионных пакетов:
Случайным процессом называется функция случайного аргумента:
Тест Дарбина–Уотсона применяется в случае, если имеется корреляция между регрессорами и ошибками регрессии: