и сдала по ним практическую работу - вот что в итоге получилось

📉 Проверка стационарности Оказалось, что ряд нестационарен. И без приведения к стационарности (d = 1) любые модели просто теряют смысл.

🔍 PACF По графику частичной автокорреляции я определила порядок AR-модели  p = 6. Это значит, что текущее значение ряда зависит примерно от 6 предыдущих наблюдений, а не от всей истории сразу.

📊 Экспоненциальное сглаживание Модель экспоненциального сглаживания (α = 0.7) заметно промахнулась в прогнозе.

⚖️ Сравнение моделей экспоненциальное сглаживание: простое и быстрое, но с большой ошибкой AR(6): учитывает временные зависимости и даёт более точный прогноз

💡 Главный вывод: Как я поняла, в задачах временных рядов важно не просто выбрать модель, а понять, насколько она соответствует структуре данных.

И конечно, где это может быть полезно в MedTech

🔬анализ показателей пациентов во времени 🩺прогнозирование ухудшения состояния 🧬мониторинг жизненных параметров