Det er tatt i programmet for 10 variabler, men denne samtalen bli utvidet med lite problemer. En åpenbar punkt som det er imidlertid verdt å tilstand, er at de nyttige variabler kommer til å være de som er direkte sammenlignbare, uavhengig av hvilke selskaper som er involvert. Det kan være tilfeller der dette ikke er tilfelle, for eksempel, det kan godt være at det å ha et stort styre er bedre enn en liten en. Dette setter helt klart en premie på den totale størrelsen på selskapet, men i generelle variabler som disse bør gjøres direkte sammenlignbare med egnede midler, f.
eks uttrykker antall styremedlemmer i prosent av antall ansatte. Det siste punktet om antall variabler kjeglesnitt fra Ivakhnenko og Lapa (1965). De foreslår at "sekundære" feedback anvendes (så vel som læring feedback) for å velge den mest nyttig sett av variable fra et stort sett først presentert. Men som tidligere nevnt, finnes dette i mindre skjema allerede. For å forklare, en gang, som en konsekvens av veie t-chan ging, når en variabel vekt null sine opphold der for resten av læretiden; Med andre ord, er det variable avvist.
Denne prosessen er bare mulig på grunn av insistering på normalisering av vektene (se
(4) nedenfor).
(3) Den form og mengde av de historiske data må ses som et kompromiss mellom de optimale kravene i programmet og det praktiske ved datainnsamling og kundens krav. Den beste lengden av historien (dvs. antall perioder anses) avhenger, i teorien, av hvorvidt prosessen er stasjonær eller ikke-stasjonær. Faktisk er alle prosesser er ikke-stasjonær, men noen er mer stasjonær enn andre.
Dette betyr at den gjennomsnittlige av prediksjon variabel over et ensemble alltid er tidsavhengig, men i noen prosesser endringstakten er tilstrekkelig langsom til å bli neglisjert. Dette er stasjonære prosesser. Det viser seg at jo mer stasjonær prosessen jo lengre er den optimale (se Ivakhnenko og Lapa). Etter sammenligningen er basert på denne metoden vi har den ideelle stasjonær prosess