63. Выбор метода прогнозирования.

Выбор метода прогнозирования, с одной стороны, должен обеспечить функциональную полноту, достоверность и точность прогноза, а, с другой стороны, уменьшить затраты времени и средств на прогнозирование. Поэтому на выбор метода прогнозирования влияют:

1) существо практической проблемы, подлежащей решению;

2) характеристика объекта прогнозирования и рыночной среды;

3) характер располагаемой информации;

4) жизненный цикл товара или услуги;

5) период упреждения (на какой период рассматривается);

6) требования к результатам прогнозирования (точный или без особых деталей);

7) тип менеджмента

64. Адаптивные методы прогнозирования в экономических исследованиях

При обработке временных рядов, как правило, наиболее ценной является информация последнего периода, т.к. необходимо знать, как будет развиваться тенденция, существующая в данный момент, а не тенденция, сложившаяся в среднем на всем рассматриваемом периоде. Адаптивными называются методы прогнозирования, позволяющие строить самокорректирующиеся (самонастраивающиеся) экономико-математические модели, которые способны оперативно реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и учета различной информационной ценности уровней ряда.

Адаптивные методы:

- Экспоненциальное сглаживание;

- Адаптивные полиномиальные модели;

- Адаптивные модели сезонных явлений.

65. Модели экономического прогнозирования

Под экономико-математической моделью понимается методика доведения до полного, исчерпывающего описания процесса получения и обработки исходной информации и правил решения рассматриваемой задачи в достаточно широком классе конкретных случаев. Экономическое моделирование основано на обработке статистической информации ретроспективного характера, оценке отдельных переменных величин, их параметров.

Модели экономического прогнозирования:

-модель межотраслевого баланса;

- макроэкономические модели;

-оптимизационные модели;

-статистические;

-динамические;

- факторные, структурные и комбинированные.

66.Трендовые модели

Модели:

- постоянный рост: – линейная;

- увеличивающийся рост: – парабола; – показательная;

- уменьшающийся рост: - линейная логарифмическая; при < 1 – степенная; - модифицированная гипербола; – модифицированная экспонента;

- комбинированный рост: с – логарифмическая парабола;

с - полином третьей степени.

- рост с качественным изменением динамических характеристик: – кривая Гомпертца; - логистическая кривая Перла – Рида.

67.Регрессионные модели

Регрессионная модель – это функция, описывающая зависимость между количественными характеристиками сложных систем. Получение регрессионной модели происходит в два этапа:

1. подбор вида функции;

2. вычисление параметров функции.

Чаще всего выбор производится среди следующих функций:

y=ax+b – линейная функция;

y=ax²+bx+c – квадратичная функция;

y=aln(x)+b – логарифмическая функция;

y=ae^bx - экспоненциальная функция;

y=ax^b - степенная функция.

68.Модель регрессии: с автокоррелированными остатками

1. Критерий Дарбина – Уотсона

2. Коэффициент автокорреляции

3. Преобразование исходных данных

где такое, что Матрица представляет собой корень квадратный из матрицы, обратной к ковариационной матрице остатков и имеет вид

69.Авторегрессионные модели -  модель временных рядов, в которой значения временного ряда в данный момент линейно зависят от предыдущих значений этого же ряда. Авторегрессионный процесс порядка p (AR(p)-процесс) определяется следующим образом.

1. Модель авторегрессии первого порядка AR(1)

2. Модель скользящей средней ARMA(1,1)

где

3. Авторегрессионная модель скользящей средней ARIMA(1,1)

где – ненаблюдаемая ошибка в данном уравнении.

4. Коэффициент автокорреляции

70.Модель динамической регрессии

Пусть модель записывается следующим образом:

и её коэффициенты являются, например, функциями вида:

Тогда

71 Многофакторные адаптивные модели

Применяются когда для достижения адекватности реальному процессу требуется модель с изменяющимися во времени коэффициентами. В общем случае такую модель можно записать в виде:

 ,

1. Многофакторная регрессионная модель с адаптивным механизмом в виде рекуррентных формул:

где – начальные значения, определяемые по методу наименьших квадратов.

2.Критерии настройки параметра адаптации

, где ;

3. Дисперсионное отношение Фишера для адаптивных регрессионных моделей

, где – экспоненциально взвешенное среднее значение; – расчетные значения адаптивной модели.