Вопрос 22. Модели адаптивного прогноза. Способы коррекции параметров адаптивных моделей.

Практически все алгоритмы сглаживания ВР (наивные методы, методы усредняющего скользящего сглаживания, методы экспоненциального сглаживания), а также процедуры генерации прогнозной информации на базе этих методов, с той или иной степенью успешности реализуют принцип актуализации (обновления) моделей прогнозирования. Поэтому модели алгоритмического сглаживания порядков выше нулевого с наличием механизма подстройки уровней или параметров часто именуют адаптивными моделями, а их прогнозы – адаптивными прогнозами.

Модели данного вида отражают текущие свойства ряда и способны непрерывно учитывать эволюцию изучаемого процесса, выражаемую посредством динамики ВР. Цель адаптивных моделей – построение самонастраивающихся (корректирующихся) экономико-математических моделей, которые отражают меняющиеся условия функционирования и учитывает разную ценность различных членов ВР для настоящего момента времени.

Последовательность процедуры адаптации модели: 1)определение параметров исходной прогнозирующей модели исходя из ретроспективной инфы; 2)генерация прогноза; 3)проверка точности прогноза; 4) подстройка параметров прогнозирующей модели с помощью компенсирующего воздействия.

Эффективность практического применения адаптивных моделей связана с ускорением реакции прогнозирующей системы на внезапные изменения значений ВР. Быстрота реакции полученной искусственной системы характеризуется параметрами адаптации; например, в рамках модели Брауна это осуществляется путем эффективной подстройки параметра α. Процесс «обучения» модели состоит в выборе наилучшего параметра адаптации на основе серии проб в пределах ретроспективного материала. Скорректированная модель является более гибкой в сравнении с исходной, однако не является универсальным инструментом прогнозирования.

Вопрос 17. Принцип адаптивного прогнозирования. Оценка качества механизмов адаптации. Вопрос 23. Задача корректного формирования группы экспертов на основе результатов их прошлых экспертиз.

1.  Коэффициент компетентности эксперта на основе результатов его прошлой деятельности.

Индивидуальная априорная оценка компетентности эксперта является, пожалуй, самой естественной формой отражения индивидуального качества соискателей. Она производится по формуле Q_q = ,

где N_c - число случаев, в которых прогноз, проведенный данным экспертом по проблеме, признан удачным (была получена точная оценка);

N - число случаев участия в экспертизе.

2.  Интегральная оценка коэффициента компетентности на основе документационного подхода [17] может осуществляться следующим образом:

, где

k_j – документально подтвержденная оценка специалиста по его j-й характеристике;

- максимально возможная оценка по j-й характеристике;

q – самооценка специалиста по проблеме в целом;

- максимально возможная оценка по проблеме в целом.

Вопрос 24. Методы оценки альтернатив на этапе обоснования экспертного выбора.

Вопрос 25. Оценка качества экспертного обоснования прогноза на основе парного критерия согласованности Спирмэна: обоснование, свойства, применение.

Если имеются стандартизированные ранжировки j-го и k-го экспертов, то мера согласованности ранжировок, определяемая на основе коэффициента ранговой корреляции Спирмена, имеет следующий вид:

Где – взаимный корреляционный момент j-й и k-й ранжировок; – дисперсии этих ранжировок. Причем

; , где m – число ранжируемых объектов; , – средние ранги в первой и второй ранжировках, т.е.

В случае наличия в ранжировках экспертов групп связных рангов рекомендуется использовать модифицированную форму коэффициента ранговой корреляции Спирмэна:

Расчет поправочного коэффициента для каждого j-го эксперта производится следующим образом:

, где – количество групп связных рангов у j-го эксперта; - количество факторов, входящих в t-ю группу связных рангов.

К оценке значимости коэффициента ранговой корреляции Спирмэна можно применить статистические характеристики оценки значимости коэффициента корреляции Пирсона с помощью t-статистики Стьюдента:

Если расчетное значение больше критического, то нулевая гипотеза отвергается и можно говорить о неслучайном совпадении мнений экспертов. Данный способ проверки нулевой гипотезы справедлив при размерности пространства не менее 10.