|
Нейронная модель показывает лучшие результаты, чем ARIMA и ОLS-регрессия как на обучающих, так и на новых данных. При этом, однако, из-за небольшого объема базы данных не удается применить Полноцепное Подтверждающее множество, и поэтому обучающее множество было оптимизировано по отношению к тестовому множеству.
Была сделана попытка выяснить структуру реализуемого отображения. Исследование вклада каждой переменной через веса непосредственных связей и через значения векторов весов-состояния позволило получить представление как о линейных, так и о нелинейных компонентах модели. По-видимому, календарные эффекты, число рабочих дней и температура влияют на значения целевой неременной отрицательно, тогда как увеличение годового правительственного прогноза и потребления приводит к росту целевого значения.
|
|
Остальные переменные активны при любых значениях целевой переменной. Такое сложное влияние переменных едва ли уловимо средствами регрессионного анализа. Различие между линейными и нелинейными компонентами, возможно, несколько преувеличено, так как значение отношения R больше 0.7.
В настоящее время Министерство финансов пробует различные способы улучшения нейронно-сетевой модели. Показатели работы сети могут улучшиться посте разбиения целевой переменной на составные части, потому что, например, на размер налога с продаж влияют одни факторы, а на размер налогов на наследство — совсем другие. Другой способ состоит в том, чтобы свести целевую переменную к совокупности банковских счетов. Так как разные группы налогоплательщиков перечисляют налоги на разные счета, каждый из этих счетов имеет свои особенности, которые можно учесть. Далее, можно включить сюда сдвинутые назад значения целевой переменной или разности. Еще одна возможность состоит в том, чтобы включить в число входов оценку, полученную с помощью модели ARIMA.
Наконец, следуя идее Фуллертона, из прогнозов, полученных разными методами, можно тем или иным способом составить один более надежный.
|
