Dno pravdepodobne dosiahla v júli 2002..

Analýza korelogramu nám ukazuje že tento časový rad silne závisí od svojich predchádzajúcich 7 hodnôt. Ďalej je nestacionárny a v pri použití Box-Jenkinsovej metodológie ho treba diferencovať.

Výsledky sezónnej analýzy sú nepresvedčivé. I keď ich graf má určitú logiku ( nárast cien pred Vianocami, nižšie ceny v januári, februári a novembri), žiaden zo sezónnych indexov sa percentuálne nelíši o viac ako 0,5% od priemeru. Naviac sezónne indexy pre letné mesiace môžu byť vyššie aj vplyvom exogénneho šoku podmieneného zavedením balíčka ekonomických opatrení z júla 1999.

O nejednoznačnosti sezónnosti sa môžeme presvedčiť i analýzou ročných kriviek na jednom grafe. Všetky ročné krivky ukazujú malú koreláciu medzi vývojom inflácie v rovnakých mesiacoch, čiže nemožno využiť ani Zielinského metódu rovnakých sezón.

Modely inflácie

Zatiaľ sme analýzou zistili základné popisné charakteristiky, rozhodli sme sa neuvažovať v modeli sezónnosť a skúmali sme autokoreláciu.
Najprv skúsime vystihnúť vývoj inflácie niektorou z klasických kriviek.

KONŠTANTNÝ TREND
Constant mean = 109,953, RMSE = 5,72851
Tento model znázorňuje dlhodobú priemernú úroveň inflácie, ale nemožno ho použiť ako model časového radu.
LINEÁRNY TREND
Linear trend = 115,805 - 0,0983555 t, RMSE = 4,65631
KVADRATICKÝ TREND
Quadratic trend = 120,768 -0,346526 t + 0,00208547 t^2, RMSE = 4,13095
EXPONENCIÁLNY TREND
exponential trend = exp(4,75058 - 0,000871025 t), RMSE = 4,63766
S-KRIVKA
S-curve trend = exp(4,68925 + 0,209676 /t), RMSE = 5,18598

Už len pri základnej analýze ani jedna z týchto kriviek uspokojivo nevystihuje trend inflácie. Všetky tieto modely sú silne autokorelované a tak nespĺňajú predpoklady o náhodnosti rezíduí. Na základe týchto modelov by ani nemalo význam prognózovať. Keďže použitie klasických krivkových modelov nevidelo k uspokojivým výsledkom, je treba pristúpiť k využitiu adaptívnych techník.

KĹZAVÝ PRIEMER
N = 3 obdobia, RMSE = 1,8651
Kĺzavý priemer 3 období už veľmi presne vyrovnáva vývoj tohoto časového radu. Rezíduá sú však výrazne autokorelované.

JEDNODUCHÉ EXPONENCIÁLNE VYROVNÁVANIE
alfa = 0,9999, RMSE = 1,33419
Jednoduché exponenciálne vyrovnávanie s koeficientom blízkym nule, ako ho vypočítal Statgraphics, prakticky nemá význam. V takomto prípade sa použije Random Walk metóda.

BROWNOV LINEÁRNY MODEL
alfa = 0,6426, RMSE = 1,42081
Brownovo vyrovnávanie sa doteraz javí najúspešnejšie. Statgraphics vypočítal kompromisný koeficient alfa.