- •Оглавление
- •Глава 1. Структура современной эконометрики 6
- •Глава 2. Выборочные исследования 20
- •Глава 3. Основы теории измерений 33
- •Глава 4. Статистический анализ числовых величин (непараметрическая статистика) 40
- •Глава 14. Эконометрика прогнозирования и риска 256
- •Глава 15. Современные эконометрические методы 270
- •Предисловие
- •Глава 1. Структура современной эконометрики
- •1.1.Эконометрика сегодня
- •1.3. Структура эконометрики
- •1.4.Специфика экономических данных
- •1.5. Нечисловые экономические величины
- •1.6.Статистика интервальных данных - научное направление на стыке метрологии и математической статистики
- •1.7. Эконометрические модели
- •1.8.Применения эконометрических методов
- •1.9. Эконометрика как область научно-практической деятельности
- •1.10. Эконометрические методы в практической и учебной деятельности
- •Цитированная литература
- •Глава 2. Выборочные исследования
- •2.1. Построение выборочной функции спроса
- •2.2. Маркетинговые опросы потребителей
- •Г. О курсе "Основы экономики"
- •Д. Дополнительная информация
- •2.3. Проверка однородности двух биномиальных выборок
- •Цитированная литература
- •Глава 3. Основы теории измерений
- •3.1. Основные шкалы измерения
- •3.2. Инвариантные алгоритмы и средние величины
- •3.3. Средние величины в порядковой шкале
- •3.4. Средние по Колмогорову
- •Цитированная литература
- •Глава 4. Статистический анализ числовых величин (непараметрическая статистика)
- •4.1. Часто ли распределение результатов наблюдений является нормальным?
- •4.2. Неустойчивость параметрических методов отбраковки резко выделяющихся результатов наблюдений
- •4.3. Непараметрическое доверительное оценивание характеристик распределения
- •4.4. О проверке однородности двух независимых выборок
- •Критерий Крамера-Уэлча равенства математических ожиданий
- •4.5. Какие гипотезы можно проверять с помощью двухвыборочного критерия Вилкоксона?
- •4.6. Состоятельные критерии проверки однородности для независимых выборок
- •4.7. Методы проверки однородности для связанных выборок
- •Цитированная литература
- •Глава 5. Многомерный статистический анализ
- •5.1. Оценивание линейной прогностической функции
- •5.2. Основы линейного регрессионного анализа
- •5.3. Основные понятия теории классификации
- •5.4. Эконометрика классификации
- •Цитированная литература
- •Глава 6. Эконометрика временных рядов
- •6.1. Модели стационарных и нестационарных временных рядов, их идентификация
- •6.2. Системы эконометрических уравнений
- •6.3. Оценивание длины периоды и периодической составляющей
- •6.4. Метод жок оценки результатов взаимовлияний факторов
- •Цитированная литература
- •Глава 7. Эконометрический анализ инфляции
- •7. 1. Определение индекса инфляции
- •7.2. Практически используемые потребительские корзины и соответствующие индексы инфляции
- •7.3. Свойства индексов инфляции
- •7.4. Возможности использования индекса инфляции в экономических расчетах
- •7.5. Динамика цен на продовольственные товары с Москве и Московской области
- •Цитированная литература
- •Глава 8. Статистика нечисловых данных
- •8.1. Объекты нечисловой природы
- •8.2. Вероятностные модели конкретных видов объектов нечисловой природы
- •8.3. Структура статистики объектов нечисловой природы
- •8.4. Законы больших чисел и состоятельность статистических оценок в пространствах произвольной природы
- •8.5. Непараметрические оценки плотности в пространствах произвольной природы
- •Цитированная литература
- •Глава 9. Статистика интервальных данных
- •9.1. Основные идеи статистики интервальных данных
- •9.2. Примеры статистического анализа интервальных данных
- •9.3. Статистика интервальных данных и оценки погрешностей характеристик финансовых потоков инвестиционных проектов
- •Цитированная литература
- •Глава 10. Проблемы устойчивости эконометрических процедур
- •10.1. Общая схема устойчивости
- •10.2. Робастность статистических процедур
- •10.3. Устойчивость по отношению к объему выборки
- •10.4. Устойчивость по отношению к горизонту планирования
- •Цитированная литература
- •Глава 11. Эконометрические информационные технологии
- •11.1. Проблема множественных проверок статистических гипотез
- •11.2. Проблемы разработки и обоснования статистических технологий
- •11.3. Методы статистических испытаний (Монте-Карло) и датчики псевдослучайных чисел
- •11.4. Методы размножения выборок (бутстреп-методы)
- •11.5. Эконометрика в контроллинге
- •Цитированная литература
- •Глава 12. Эконометрические методы проведения экспертных исследований и анализа оценок экспертов
- •12.1. Примеры процедур экспертных оценок
- •12.2. Основные стадии экспертного опроса
- •12.3. Подбор экспертов
- •12.4. О разработке регламента проведения сбора и анализа экспертных мнений
- •12.5. Методы средних баллов
- •12.6. Метод согласования кластеризованных ранжировок
- •12.7. Математические методы анализа экспертных оценок
- •Цитированная литература
- •Глава 13. Эконометрические методы управления качеством и сертификации продукции
- •13.1. Основы статистического контроля качества продукции
- •13.2. Асимптотическая теория одноступенчатых планов статистического контроля
- •13.3. Некоторые практические вопросы статистического контроля качества продукции и услуг
- •13.4. Всегда ли нужен контроль качества продукции?
- •13.5. Статистический контроль по двум альтернативным признакам и метод проверки их независимости по совокупности малых выборок
- •13.6. Эконометрика качества и сертификация
- •Цитированная литература
- •Глава 14. Эконометрика прогнозирования и риска
- •14.1. Методы социально-экономического прогнозирования
- •14.2. Основные идеи технологии сценарных экспертных прогнозов
- •14.3. Различные виды рисков
- •14.4. Подходы к управлению рисками
- •Цитированная литература
- •Глава 15. Современные эконометрические методы
- •15.1. О развитии эконометрических методов
- •15.2. Точки роста
- •15.3. О некоторых нерешенных вопросах эконометрики и прикладной статистики
- •15.4. Высокие статистические технологии и эконометрика
- •Цитированная литература
- •Приложение 1 Вероятностно-статистические основы эконометрики
- •Цитированная литература
- •Приложение 2 Нечеткие и случайные множества
- •К последовательности операций над случайными множествами
- •Цитированная литература
- •Приложение 3 Методика сравнительного анализа родственных эконометрических моделей
- •П3 4. Эмпирические единичные показатели качества
- •Кластеризации и усреднения ранжировок
- •Цитированная литература
- •Приложение 4 Примеры задач по эконометрике
- •Проверка однородности двух независимых выборок
- •Проверка однородности связанных выборках
- •Исходные данные для задачи 4.
- •Индекс инфляции
- •Упорядочения по средним рангам и по медианам
- •Медиана Кемени
11.5. Эконометрика в контроллинге
Контроллеру и сотрудничающему с ним эконометрику нужна разнообразная экономическая и управленческая информация, не менее нужны удобные инструменты ее анализа. Следовательно, информационная поддержка контроллинга необходима для успешной работы контроллера. Без современных компьютерных инструментов анализа и управления, основанных на продвинутых эконометрических и экономико-математических методах и моделях, невозможно эффективно принимать управленческие решения. Недаром специалисты по контроллингу большое внимание уделяют проблемам создания, развития и применения компьютерных систем поддержки принятия решений. Высокие статистические технологии и эконометрика - неотъемлемые части любой современной системы поддержки принятия экономических и управленческих решений.
Важная часть эконометрики - применение высоких статистических технологий к анализу конкретных экономических данных. Такие исследования зачастую требуют дополнительной теоретической работы по "доводке" статистических технологий применительно к конкретной ситуации. Большое значение для контроллинга имеют не только общие методы, но и конкретные эконометрические модели, например, вероятностно-статистические модели тех или иных процедур экспертных оценок (глава 12) или эконометрики качества (глава 13), имитационные модели деятельности организации, прогнозирования в условиях риска (глава 14). И конечно, такие конкретные применения, как расчет и прогнозирование индекса инфляции. Сейчас уже многим специалистам ясно, что годовой бухгалтерский баланс предприятия может быть использован для оценки его финансово-хозяйственной деятельности только с привлечением данных об инфляции. Различные области экономической теории и практики в настоящее время еще далеко не согласованы. При оценке и сравнении инвестиционных проектов принято использовать такие характеристики, как чистая текущая стоимость, внутренняя норма доходности, основанные на введении в рассмотрение изменения стоимости денежной единицы во времени (это осуществляется с помощью дисконтирования). А при анализе финансово-хозяйственной деятельности организации на основе данных бухгалтерской отчетности изменение стоимости денежной единицы во времени по традиции не учитывают.
Специалисты по контроллингу должны быть вооружены современными средствами информационной поддержки, в том числе средствами на основе высоких статистических технологий и эконометрики. Очевидно, преподавание должно идти впереди практического применения. Ведь как применять то, чего не знаешь?
Статистические технологии применяют для анализа данных двух принципиально различных типов. Один из них - это результаты измерений (наблюдений, испытаний, анализов, опытов и др.) различных видов, например, результаты управленческого или бухгалтерского учета, данные Госкомстата и др. Короче, речь идет об объективной информации. Другой - это оценки экспертов, на основе своего опыта и интуиции делающих заключения относительно экономических явлений и процессов. Очевидно, это - субъективная информация. В стабильной экономической ситуации, позволяющей рассматривать длинные временные ряды тех или иных экономических величин, полученных в сопоставимых условиях, данные первого типа вполне адекватны. В быстро меняющихся условиях приходятся опираться на экспертные оценки. Такая новейшая часть эконометрики, как статистика нечисловых данных, была создана как ответ на запросы теории и практики экспертных оценок (см. главы 8 и 12).
Для решения каких экономических задач может быть полезна эконометрика? Практически для всех, использующих конкретную информацию о реальном мире. Только чисто абстрактные, отвлеченные от реальности исследования могут обойтись без нее. В частности, эконометрика необходима для прогнозирования, в том числе поведения потребителей, а потому и для планирования. Выборочные исследования, в том числе выборочный контроль, основаны на эконометрике. Но планирование и контроль - основа контроллинга. Поэтому эконометрика - важная составляющая инструментария контроллера, воплощенного в компьютерной системе поддержки принятия решений. Прежде всего оптимальных решений, которые предполагают опору на адекватные эконометрические модели. В производственном менеджменте это может означать, например, использование моделей экстремального планирования эксперимента (судя по накопленному опыту их практического использования, такие модели позволяют повысить выход полезного продукта на 30-300%).
Высокие статистические технологии в эконометрике предполагают адаптацию применяемых методов к меняющейся ситуации. Например, параметры прогностического индекса меняются вслед за изменением характеристик используемых для прогнозирования величин. Таков метод экспоненциального сглаживания. В соответствующем алгоритме расчетов значения временного ряда используются с весами. Веса уменьшаются по мере удаления в прошлое. Многие методы дискриминантного анализа основаны на применении обучающих выборок. Например, для построения рейтинга надежности банков можно с помощью экспертов составить две обучающие выборки - надежных и ненадежных банков. А затем с их помощью решать для вновь рассматриваемого банка, каков он - надежный или ненадежный, а также оценивать его надежность численно, т.е. вычислять значение рейтинга.
Один из способов построения адаптивных эконометрических моделей - нейронные сети (см., например, монографию [23]). При этом упор делается не на формулировку адаптивных алгоритмов анализа данных, а - в большинстве случаев - на построение виртуальной адаптивной структуры. Термин "виртуальная" означает, что "нейронная сеть" - это специализированная компьютерная программа, "нейроны" используются лишь при общении человека с компьютером. Методология нейронных сетей идет от идей кибернетики 1940-х годов. В компьютере создается модель мозга человека (весьма примитивная с точки зрения физиолога). Основа модели - весьма простые базовые элементы, называемые нейронами. Они соединены между собой, так что нейронные сети можно сравнить с хорошо знакомыми экономистам и инженерам блок-схемами. Каждый нейрон находится в одном из заданного множества состояний. Он получает импульсы от соседей по сети, изменяет свое состояние и сам рассылает импульсы. В результате состояние множества нейтронов изменяется, что соответствует проведению эконометрических вычислений.
Нейроны обычно объединяются в слои (как правило, два-три). Среди них выделяются входной и выходной слои. Перед началом решения той или иной задачи производится настройка. Во-первых, устанавливаются связи между нейронами, соответствующие решаемой задаче. Во-вторых, проводится обучение, т.е. через нейронную сеть пропускаются обучающие выборки, для элементов которых требуемые результаты расчетов известны. Затем параметры сети модифицируются так, чтобы получить максимальное соответствие выходных значений заданным величинам.
С точки зрения точности расчетов (и оптимальности в том или ином эконометрическом смысле) нейронные сети не имеют преимуществ перед другими адаптивными эконометрическими системами. Однако они более просты для восприятия. Надо отметить, что в эконометрике используются и модели, промежуточные между нейронными сетями и "обычными" системами регрессионных уравнений (одновременных и с лагами). Они тоже используют блок-схемы, как, например, универсальный метод моделирования связей экономических факторов ЖОК (этот метод описан в работе [24]).
Заметное место в математико-компьютерном обеспечении принятия решений в контроллинге занимают методы теории нечеткости (по-английски - fuzzy theory, причем термин fuzzy переводят на русский язык по-разному: нечеткий, размытый, расплывчатый, туманный, пушистый и др.). Начало современной теории нечеткости положено работой Л.А. Заде 1965г., хотя истоки прослеживаются со времен Древней Греции (об истории теории нечеткости см., например, книгу [12]). Это направление прикладной математики в последней трети ХХ в. получило бурное развитие. К настоящему времени по теории нечеткости опубликованы тысячи книг и статей, издается несколько международных журналов (половина - в Китае и Японии), постоянно проводятся международные конференции, выполнено достаточно много как теоретических, так и прикладных научных работ, практические приложения дали ощутимый технико-экономический эффект.
Основоположник рассматриваемого научного направления Лотфи А. Заде рассматривал теорию нечетких множеств как аппарат анализа и моделирования гуманистических систем, т.е. систем, в которых участвует человек. Его подход опирается на предпосылку о том, что элементами мышления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от "принадлежности" к "непринадлежности" не скачкообразен, а непрерывен. В настоящее время методы теории нечеткости используются почти во всех прикладных областях, в том числе при управлении качеством продукции и технологическими процессами.
Нечеткая математика и логика - мощный элегантный инструмент современной науки, который на Западе и на Востоке (в Японии, Китае, Корее) можно встретить в программном обеспечении сотен видов изделий - от игрушек и бытовых видеокамер до систем управления предприятиями. В России он был достаточно хорошо известен с начала 1970-х годов. Однако первая монография российского автора по теории нечеткости [12] была опубликована лишь в 1980 г. В дальнейшем проводившиеся раз в год всесоюзные конференции собирали около 100 участников - по мировым меркам немного. В настоящее время интерес к теории нечеткости среди экономистов и менеджеров растет.
При изложении теории нечетких множеств обычно не подчеркивается связь с вероятностными моделями. Между тем еще в середине 1970-х годов установлено (цикл соответствующих теорем приведен, в частности, в монографии [12], но это отнюдь не первая публикация), что теория нечеткости в определенном смысле сводится к теории случайных множеств, хотя эта связь и имеет, возможно, лишь теоретическое значение. В США подобные работы появились лет на пять позже.
Профессионалу в области контроллинга полезны многочисленные интеллектуальные инструменты анализа данных, относящиеся к высоким статистическим технологиям и эконометрике.