Autokorelačná funkcia však naznačuje koreláciu na lag = 12, čo v prípade mesačných údajov naznačuje možnú sezónnosť. Štatisticky významný je i piaty autokorelačný koeficient.

HOLTOV LINEÁRNY MODEL
alfa = 0,9964, beta = 0,0677, RMSE = 1,34933
Holtov lineárny model s koeficientami ktoré vypočítal Statgraphics dáva veľmi nízku chybu MSE, ale naznačuje sezónnosť časového radu štatisticky významným dvanástym autokorelačným koeficientom.

BROWNOV KVADRATICKÝ MODEL
alfa = 0,4546, RMSE = 1,60089
Výsledkom Brownovho kvadratického exponenciálneho vyrovnávania je chyba MSE vyššia ako u predchádzajúcich modelov.

RANDOM-WALK MODEL
RMSE = 1,32845
Najlepšie vyrovnáva údaje o inflácií naivný model, ktorý očakáva zmenu inflácie rovnú poslednej prvej diferencii.

Porovnanie modelov

RMSE MAPE BOX-PIERCE U
RW 1,328450 0,575497 ok
Constant mean 5,728510 4,058970 *** 4,33170599
Linear trend 4,656310 3,309780 *** 3,520944524
Quadratic trend 4,130950 2,727210 *** 3,123685017
Exponential trend 4,637660 3,259600 *** 3,506842024
S-curve 5,185980 3,496910 *** 3,921463108
simple moving average 1,865100 0,960344 *** 1,410325694
simple moving average 2,353700 1,316660 *** 1,779788529
simple exp. smooth. 1,334190 0,575532 ok 1,008869464
Brown's linear 1,420810 0,696327 ok 1,074368586
Holt's linear 1,349330 0,570900 ok 1,020317821
Brown's quadratic 1,600890 0,833885 *** 1,210539006
*** p-value < =0.01, ok –p-value >= 0.05

Pri výbere optimálneho modelu treba zohľadniť najmä veľkosť priemerného štvorca chyby. Pre presnú prognózu je nutné vylúčiť modely s autokoreláciou. Na toto vylúčenie možno použiť Box-Pierceov test autokorelácie.

Model jednoduchého exponenciálneho vyrovnávania s koeficientom alfa=0,9999 možno považovať za identický s random-walk modelom, preto nie je potrebné s ním uvažovať.

Charakteristika U ukazuje či a o koľko je model lepší ako najjednoduchší random-walk model. U= ( RMSE(model) / RMSE(RWM) ) * sqrt (n / n-1).
Ani jeden z modelov ktoré zostali nespĺňa požadovanú hodnotu U < 0,55. To znamená, že za najlepší sa považuje random-walk model. Brownovo lineárne a Holtovo kvadratické vyrovnávanie sa najviac približujú random-walk modelu. V žiadnom z týchto modelov sa pri testovaní nepotvrdila heteroskedasticita. Na základe týchto troch modelov možno najpresnejšie predpovedať budúci vývoj inflácie.
Podľa charakteru autokorelácie tohto časového radu a jeho prvých diferencií by bolo najvhodnejšie využiť niektorý z ARIMA modelov, napr. ARIMA(1,1,0).