- •1. Социально-экономическое прогнозирование в системе государственного регулирования экономики. Планирование и рыночная экономика.
- •2. Основные понятия и определения науки «Прогнозирование национальной экономики».
- •3. Задачи, функции и принципы прогнозирования
- •4. Классификация социально-экономических прогнозов.
- •5. Классификация объектов прогнозирования
- •6. Задачи и принципы анализа объектов прогнозирования
- •7. Моделирование объектов прогнозирования
- •8. Классификация методов социально-экономического прогнозирования
- •9. Поисковый и нормативный подходы в прогнозировании
- •10. Сущность методов экстраполяции
- •11. Построение прогнозов с помощью метода скользящей средней
- •12. Построение прогнозов с помощью метода экспоненциального сглаживания.
- •13. Прогнозирование на основе метода наименьших квадратов.
- •14. Методика социально-экономического прогнозирования сезонных явлений.
- •15. Методы оценки качества прогнозов.
- •16. Прогнозирование с помощью методов информационного моделирования
- •17. Прогнозирование с помощью методов логического моделирования
- •18. Сущность метода «Дерево целей»
- •19. Сущность интуитивных методов прогнозирования. Методы отбора экспертов.
- •20. Методы индивидуальных экспертных оценок
- •21. Построение прогнозов с помощью метода «мозговой атаки» («мозгового штурма», «коллективной генерации идей»).
- •22. Построение прогнозов с помощью метода Дельфи.
- •23. Применение метода экспертных комиссий при разработке прогнозов
- •24. Экономический рост, макроэкономические цели, макроэкономические показатели и макроэкономические счета как объекты прогнозирования
- •25. Методы прогнозирования макроэкономических показателей и экономического роста
- •26. Население как объект прогнозирования
- •27. Процесс разработки демографических прогнозов.
- •28. Методы, используемые при построении демографических прогнозов.
- •29. Методика прогнозирования общей численности населения.
- •30. Построение прогнозов системы образования в рф
- •31. Прогнозирование развития сети здравоохранения в рф
- •32. Прогнозирование жилищно-коммунального хозяйства в рф
- •33. Рынок труда как объект прогнозирования. Источники информации, используемые при построении прогноза рынка труда.
- •34. Методы, используемые при прогнозировании рынка труда
- •35. Уровень жизни населения как объект прогнозирования. Показатели, используемые при разработке прогнозов уровня жизни населения
- •36. Способы построения прогнозов доходов населения
- •37. Построение прогнозов на основе баланса денежных доходов и расходов населения.
- •38. Разработка прогнозов величины прожиточного минимума
- •39. Отраслевые экономические прогнозы: сущность, объект прогнозирования
- •40. Классификация отраслевых прогнозов
- •41. Принципы разработки отраслевых экономических прогнозов
- •42. Методология отраслевого экономического прогнозирования
- •43. Понятие и назначение межотраслевого баланса страны
- •44. Сущность государственного прогнозирования социально-экономического развития страны
- •45. Государственное прогнозирование социально-экономического развития Российской Федерации на долгосрочную, среднесрочную и краткосрочную перспективу
- •46. Организация государственного прогнозирования социально-экономического развития Российской Федерации
- •47. Система прогнозирования в сша
12. Построение прогнозов с помощью метода экспоненциального сглаживания.
дает возможность выявить тенденцию, сложившуюся к моменту последнего ныблюдения и позволяет оценить параметры модели, описать тренд, сложившийся в конце базисного периода.
+метод адаптирован к меняющимся условиям, эфективен в среднесрочных прогнозах.
+ учет весов исходной информци( новые анные и данные за последние периоды имеют больший вес)
- сложно выбрать значение параметра сглаживания.
- сложно определить начальное значение экспоненциально взвешенной средней.
13. Прогнозирование на основе метода наименьших квадратов.
основан на выявлении параметров модели, которые минимизируют суммы квадратов отклонений между наблюдаемыми величинами и расчетными.
Модель, которая описывает тренд в каждом конкретном случае, подбирается в соответстви с рядом критериев.
Недостатки: жесткая фиксация тренда, небольшой период упреждения, сложность подбора уравнения регрессии.
Простое экспоненциальное сглаживание
Простая и прагматически ясная модель временного ряда имеет следующий вид:
Xt= b+ Еt
где b константа и случайная ошибка. Константа b относительно стабильна на каждом временном интервале, но может также медленно изменяться со временем. Один из интуитивно ясных способов выделения b состоит в том, чтобы использовать сглаживание скользящим средним, в котором последним наблюдениям приписываются большие веса, чем предпоследним, предпоследним большие веса, чем пред-предпоследним и т.д. Простое экспоненциальное именно так и устроено. Здесь более старым наблюдениям приписываются экспоненциально убывающие веса, при этом, в отличие от скользящего среднего, учитываются все предшествующие наблюдения ряда, а не те, что попали в определенное окно. Точная формула простого экспоненциального сглаживания имеет вид: St=альфа*Хt+(1- альфа)*St-1
Когда эта формула применяется рекурсивно, то каждое новое сглаженное значение (которое является также прогнозом) вычисляется как взвешенное среднее текущего наблюдения и сглаженного ряда. Очевидно, результат сглаживания зависит от параметра (альфа). Если равно 1, то предыдущие наблюдения полностью игнорируются. Если равно 0, то игнорируются текущие наблюдения. Значения между 0, 1 дают промежуточные результаты. Эмпирические исследования показали, что весьма часто простое экспоненциальное сглаживание дает достаточно точный прогноз.
Обсудим различные теоретические и эмпирические аргументы в пользу выбора определенного параметра сглаживания. Очевидно, из формулы, приведенной выше, следует, что должно попадать в интервал между 0 (нулем) и 1 (хотя для дальнейшего применения анализа АРПСС считают, что 0<<2). На практике обычно рекомендуется брать меньше 0.30. Однако больше 0.30 часто дает лучший прогноз. Вывод: лучше оценивать
оптимально по данным, чем просто гадать или использовать искусственные рекомендации.
На практике параметр сглаживания часто ищется с поиском на сетке. Возможные значения параметра разбиваются сеткой с определенным шагом. Например, рассматривается сетка значений от = 0.1 до = 0.9, с шагом 0.1. Затем выбирается , для которого сумма квадратов (или средних квадратов) остатков (наблюдаемые значения минус прогнозы на шаг вперед) является минимальной. Модуль Временные ряды предоставляет опцию для выполнения поиска на сетке, a также позволяет пользователю автоматически находить лучший параметр a с помощью процедуры минимизации.