- •Международный консорциум «Электронный университет»
- •Раздел I.
- •1.1. Система статистических понятий и категорий, применяемых в моделировании и прогнозировании социально-экономических явлений и процессов
- •1.2. Модель как отображение действительности
- •1.3. Понятие и основные принципы экономико-статистического анализа
- •1.4. Характеристика информационной базы и основные принципы ее формирования
- •1.5. Априорный анализ и его роль в статистическом моделировании
- •Табулированные значения λt
- •Раздел II.
- •2.1. Временные ряды, их характеристики и задачи анализа. Требования к исходной информации
- •Классификация временных рядов
- •2.2. Основные особенности статистического анализа одномерных временных рядов по компонентам ряда
- •2.3. Моделирование тенденции
- •Промежуточные расчетные значения слагаемых кумулятивного т-критерия
- •Расчет кумулятивного критерия для проверки гипотезы о линейной форме тренда
- •Расчетная таблица для определения тенденции в ряду динамики числа зарегистрированных разбоев в рф методом Фостера-Стюарта
- •Уровни и фазы временного ряда
- •Уровни групп
- •Расчет 3-х и 4-членных скользящих средних объема платных услуг населению рф
- •Динамика объема платных услуг населению одного из регионов рф за период январь-декабрь 2009 г. И определение параметров уравнения тренда методом наименьших квадратов
- •2.4. Выбор формы тренда
- •Критерии выбора класса выравнивающих кривых
- •Расчетная таблица реализации дисперсионного метода анализа в оценке трендовых моделей объема платных услуг населению одного из регионов рф за период январь-декабрь 2009 г.
- •2.5. Моделирование случайного компонента
- •Расчетная таблица для определения параметров линейного тренда, описывающего тенденцию изменения числа зарегистрированных разбоев в рф за период 1999-2008 гг.
- •Расчетная таблица для определения параметров критерия серий, основанного на медиане выборки числа зарегистрированных разбоев в рф за период 1999-2008 гг.
- •Расчетная таблица для определения параметров параболы второго порядка, описывающей тенденцию изменения числа зарегистрированных разбоев в рф за период 1999-2008 гг.
- •Расчетная таблица для определения параметров критерия серий, основанного на медиане выборки
- •Расчетная таблица критерия «восходящих» и «нисходящих» серий (по отклонениям от линейного тренда)
- •Расчетная таблица критерия «восходящих» и «нисходящих» серий (по отклонениям от параболы второго порядка)
- •2.6. Модели периодических колебаний
- •I. Метод абсолютных разностей (таблица 2.22):
- •Распределение дисперсии между гармониками
- •2.7. Модели связных временных рядов
- •Для проверки автокорреляции в уровнях ряда также используется критерий Дарбина-Уотсона. Гипотеза о наличии автокорреляции проверяется с помощью случайной величины:
- •Приведите классификацию статистических моделей.
- •Раздел III.
- •3.1. Сущность и классификация статистических прогнозов
- •3.2. Простейшие методы прогнозной экстраполяции
- •Расчетная таблица для определения прогнозных значений методом среднего абсолютного прироста
- •Расчетная таблица для определения прогнозных значений методом среднего темпа роста
- •3.3. Прогнозирование на основе экстраполяции тренда
- •3.4. Прогнозирование с учетом дисконтирования информации
- •Если временной ряд описывается параболой второго порядка:
- •3.5. Прогнозирование на основе кривых роста
- •Расчетная таблица определения промежуточных расчетов кривой Гомперца
- •3.6. Прогнозирование рядов динамики, не имеющих тенденции
- •Расчетная таблица для определения знаков отклонений
- •Основная литература
- •Дополнительная литература
- •1. Цели, задачи изучения дисциплины и сферы профессионального применения
- •2. Необходимый объем знаний для изучения данной дисциплины
- •3. Перечень основных тем
- •Тема 1. Методологические аспекты анализа и статистического моделирования временных рядов
- •Тема 2. Методологические вопросы статистического прогнозирования
- •Тема 3. Априорный анализ составляющих компонент временного ряда
- •Тема 4. Моделирование основной тенденции временного ряда
- •Тема 5. Моделирование случайной компоненты временного ряда
- •Тема 6. Моделирование периодической компоненты временного ряда
- •Тема 7. Моделирование связных временных рядов
- •Тема 8. Прогнозирование динамики социально-экономических явлений
- •Тема 9. Прогнозирование многомерных временных рядов
- •4. Для самопроверки и проведения итогового контроля необходимо:
- •Вопросы для самопроверки:
- •Тема 1. Методологические аспекты анализа и моделирования временных рядов
- •Тема 2. Моделирование основной тенденции временного ряда
- •Тема 3. Моделирование случайной компоненты временного ряда
- •Тема 4. Моделирование периодической компоненты временного ряда
- •Тема 5. Моделирование связных временных рядов
- •Тема 6. Прогнозирование динамики социально-экономических явлений
- •Тема 7. Прогнозирование многомерных временных рядов
- •Распределение Стьюдента (t – распределение)
- •Приложение 3 Распределение Фишера-Снедекора (f-распределение)
- •Значения для различных значений t
- •Значения средней и стандартных ошибоки
- •Приложение 6 Критические значения кумулятивного т-критерия
- •Распределение критерия Дарбина-Уотсона для положительной автокорреляции ( для 5%-ного уровня значимости)
- •7. Объективизация прогноза – это:
- •21. Тенденция дисперсии – это:
- •1.2. Задачи изучения дисциплины
- •2. Содержание дисциплины
- •Распределение учебного времени
- •2.1. Лекционные занятия
- •Тема 8. Прогнозирование динамики социально- экономических явлений
- •Тема 9. Прогнозирование многомерных временных рядов
- •2.2. Практические занятия
- •2.3. Содержание практических занятий
3.3. Прогнозирование на основе экстраполяции тренда
Наиболее распространенным методом прогнозирования выступает аналитическое выражение тренда. При этом, для выхода за границы исследуемого периода достаточно продолжить значения независимой переменной – времени.
При таком подходе к прогнозированию предполагается, что размер уровня, характеризующего явление, формируется под воздействием множества факторов, причем не представляется возможным выделить порознь их влияние. В связи с этим ход развития связывается не с какими-либо конкретными факторами, а с течением времени, то есть:
= f (t), (3.15)
Экстраполяция дает возможность получить точечное значение прогноза. Точечный прогноз есть оценка прогнозируемого показателя в точке (в конкретном году, месяце, дне) по уравнению, описывающему тенденцию показателя.
Точечная оценка рассчитывается путем подстановки номера года t, на который рассчитывается прогноз, в уравнение тренда. Она является средней оценкой для прогнозируемого интервала времени.
Совпадение фактических данных и прогностических оценок – явление маловероятное, поэтому целесообразно определить доверительные интервалы прогноза.
Величина доверительного интервала определяется следующим образом:
, (3.16)
где:
–средняя квадратическая ошибка тренда;
–расчетное прогнозное значение уровня;
–доверительное значение критерия Стьюдента.
Метод прогнозирования на основе экстраполяции тренда базируется на следующих предпосылках:
исходный временной ряд должен описываться плавной кривой;
общие условия, определяющие тенденцию развития изучаемого явления в прошлом и настоящем не должны претерпевать значительных изменений в будущем;
исходный ряд динамики должен иметь достаточное число уровней, с тем, чтобы отчетливо проявилась тенденция.
Трендовые модели выражаются различными функциями , на основе которых строятся модели прогноза и осуществляется их оценка.
На практике наибольшее распространение получили следующие виды трендовых моделей:
линейная ;
параболы различных степеней:
2-го порядка
;
3-го порядка (кубическая)
и т.д.
степенная:
показательная: , (3.17)
логарифмическая: .
При этом наиболее существенным вопросом прогнозирования по трендовым моделям является проблема точного прогноза.
Точная оценка прогноза весьма условна в силу следующих причин:
Выбранная для прогнозирования функция дает лишь приближенную оценку тенденции, так как она не является единственно возможной.
Статистическое прогнозирование осуществляется на основе ограниченного объема информации, что, в свою очередь, сказывается на величине доверительных интервалов прогноза.
Наличие в исходном временном ряду случайного компонента приводит к тому, что любой прогноз осуществляется лишь с определенной долей вероятности.
Рассматривая получение интервальных или точечных оценок прогноза следует учитывать, что в отдельных случаях получение более точных оценок не гарантирует надежности прогноза.
Применение трендовых моделей прогнозирования социально-экономических явлений имеет большую значимость и, несмотря на определенную простоту их реализации, часто используются для прогнозирования сложных социально-эконо-мических явлений.
Если выбранная модель тренда достаточно правильно отражает тенденцию развития, то полученные на ее основе прогнозы практически всегда надежны.
Прогнозирование методом экстраполяции тренда основывается на анализе тенденций развития одномерных временных рядов социально-экономических явлений и процессов.
Однако прогноз по аналитическому выражению тренда имеет один существенный недостаток, который иногда приводит к большим ошибкам при прогнозировании явления.
Дело заключается в том, что в данном случае прогнозируется только детерминированная составляющая ряда динамики и не учитывается случайный компонент. Чтобы избежать этой ошибки и сделать прогноз более точным, надо отыскать закономерность изменения во времени случайного компонента. Для этого принято вначале находить отклонения от тренда и определять закономерность их изменения во времени, а затем делать прогноз случайной составляющей динамического ряда. Результаты обоих прогнозов объединяются. Рассматриваемый метод тогда дает удовлетворительные результаты, когда в эмпирическом ряду случайные колебания будут небольшими и между ними отсутствует автокорреляция.