
- •Содержание
- •1. Модели временных рядов
- •1. Постановочный
- •2.Модели адаптивного сглаживания. Экспоненциальное сглаживание. Теорема Брауна.
- •Экспоненциальное сглаживание.
- •Теорема Брауна.
- •Задание 1
- •Решение
- •1.1. Методом наименьших квадратов найдем оценки линейного уравнения регрессии: .
- •1.2. С помощью коэффициентов парной корреляции проанализируем тесноту линейной связи между доходностью на акцию и доходностью на фондовый индекс .
- •Задание 2
- •Решение
- •2.1. По методу наименьших квадратов находим оценки коэффициентов множественной линейной регрессионной модели
- •2.2. Проверим статистическую значимость параметров и уравнения множественной регрессии с надёжностью 0,95.
- •2.3. Рассчитаем точечный и интервальный прогноз
- •Задание 3
- •3.1. По методу наименьших квадратов находим оценки коэффициентов множественной линейной регрессионной модели
- •3.2. Проверим статистическую значимость параметров и уравнения множественной регрессии с надёжностью 0,95.
- •3.3. Рассчитаем точечный и интервальный прогноз
- •Задание 4
- •1. Линейную трендовую модель строим с помощью надстройки excel «Анализ данных… Регрессия»:
- •Задание 5
- •Список литературы
1. Постановочный
На этом этапе формируется цель исследования и набор участвующих в модели экономических переменных.
В качестве цели эконометрического моделирования обычно рассматривают анализ исследуемого экономического объекта (процесса), прогноз его экономических показателей, имитацию развития объекта при различных значениях экзогенных переменных (отражая их случайный характер, изменение во времени), выработку управленческих решений.
При выборе экономических переменных необходимо теоретическое обоснование каждой переменной (при этом рекомендуется, чтобы число их было не очень большим и, как минимум, в несколько раз меньше числа наблюдений). Объясняющие переменные не должны быть связаны функциональной или тесной корреляционной зависимостью, так как это может привести к невозможности оценки параметров модели или к получению неустойчивых, не имеющих реального смысла оценок, т. е. к явлению мультиколлинеарности.
2. Априорный
Проводится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации.
3. Параметризация
Осуществляется непосредственно моделирование. т. е. выбор общего вида модели, выявление входящих в нее связей.
Основная задача, решаемая на этом этапе, - выбор вида функции f(X) в эконометрической модели, в частности, возможность использования линейной модели как наиболее простой и надежной. Весьма важной проблемой на этом (и предыдущих) этапе эконометрического моделирования является проблема спецификации модели, в частности: выражение в математической форме обнаруженных связей и соотношений; установление состава экзогенных и эндогенных переменных, в том числе лаговых; формулировка исходных предпосылок и ограничений модели. От того, насколько удачно решена проблема спецификации модели, в значительной степени зависит успех всего эконометрического моделирования.
4.
Информационный
Осуществляется сбор необходимой статистической ин
формации - наблюдаемых значений экономических переменных. Здесь могут быть наблюдения, полученные как с участием исследователя, так и без его участия (в условиях активного или пассивного эксперимента).
5. Идентификация модели
Осуществляется статистический анализ модели и оценка ее параметров.
6. Верификация модели
Проводится проверка истинности, адекватности модели. Выясняется, насколько удачно решены проблемы спецификации, идентификации и идентифицируемости модели, какова точность расчетов по данной модели, в конечном счете, насколько соответствует построенная модель моделируемому реальному экономическому объекту или процессу.
2.Модели адаптивного сглаживания. Экспоненциальное сглаживание. Теорема Брауна.
Адаптивное сглаживание. Метод адаптивного сглаживания предполагает постоянный пересмотр выбранных значений альфа-фактора. Коэффициент пересматривают по завершении каждого прогнозного периода и определяют то его значение, при котором прогноз был бы безошибочным. Таким образом, субъективная оценка менеджеров отчасти заменяется систематической и последовательной корректировкой альфа-фактора.
Более изощренные разновидности адаптивного сглаживания построены на автоматическом отслеживании сигналов, предупреждающих о погрешностях и ошибках. Когда обнаруживается сигнал, вызванный слишком большой ошибкой, значение константы автоматически увеличивается, что делает прогноз более чувствительным к сглаживанию в предыдущие периоды. Если в последнем периоде объем продаж претерпевал значительные изменения, такая повышенная чувствительность уменьшит погрешность прогноза. Когда погрешность прогноза уменьшается, сигнал автоматически возвращает константу к ее первоначальному значению.
Метод адаптивного сглаживания облачает свойством самокоррекции, то есть подстраивания собственной чувствительности под текущую ситуацию. Хотя этот метод был специально разработан для систематического преодоления ошибок, его слабость — в склонности к чрезмерным реакциям, когда случайная погрешность воспринимается как проявление тенденции или сезонного фактора. Такое ошибочное истолкование может стать причиной роста величины погрешностей в будущем.
Причинно-следственные методы прогнозирования. Эти методы прогнозирования основаны на регрессионной оценке объема продаж по каждой единице хранения с учетом влияния независимых факторов. Например, продажа кофе на стадионе во время футбольных матчей обычно есть функция температуры воздуха. Чем холоднее, тем больше кофе выпивают болельщики.
При выявлении тесной корреляционной связи между двумя переменными (как между температурой воздуха и спросом на кофе) прогнозировать будущие события нетрудно. В нашем примере ожидаемый спрос на кофе, чашки, сахар и сливки можно рассчитать заранее, исходя из прогноза погоды. Когда удается найти независимую переменную (факторный признак), причинно-следственные, или регрессионные, методы прогнозирования работают очень хорошо. Но в логистике такие ситуации встречаются не особенно часто. Если прогнозирование спроса на какой-либо продукт базируется на единственном независимом факторе, мы говорим о простом регрессионном анализе. Если же факторных признаков два или больше, применяется так называемая множественная регрессия.