
- •5. Временные динамические ряды.
- •Временные ряды
- •Сглаживание
- •Временное прогнозирование результативных показателей эффективности функционирования оао «icl – кпо вс»
- •5.1. Статистические методы прогнозирования
- •5.2. Сглаживание и прогнозирование методом скользящего среднего
- •Сводная таблица ошибок прогноза при изменении параметра m
- •Результаты прогнозирования методом скользящего среднего с минимальными значениями ошибок прогнозирования
- •5.3. Экспоненциальное сглаживание и прогнозирование
- •Наилучшие результаты прогнозирования методом экспоненциального сглаживания
- •5.4. Прогнозирование методом авторегрессии и проинтегрированного скользящего среднего
- •Сводная таблица ошибок прогноза при изменении параметра Seasonal Lag
- •Наилучшие результаты прогнозирования методом арпсс
- •5.5. Прогнозирование на нейронных сетях
- •Сводная таблица ошибок прогнозирования на нейронных сетях при изменении количества входов
- •Наилучшие результаты прогнозирования на нейронных сетях
- •5.6. Предварительная оценка результатов прогнозирования в системе координат
- •Вычисленные значения и
Временное прогнозирование результативных показателей эффективности функционирования оао «icl – кпо вс»
5.1. Статистические методы прогнозирования
В данной работе реализован стандартный подход к прогнозированию, основанный на оценке показателей, непосредственно влияющих на результат прогноза по принципу «дальше, как раньше» [18].
Рассматриваются статистические методы прогнозирования, которые получили наибольшее распространение на практике – определение зависимости между элементами временного динамического ряда (ВДР) на основе предыдущих значений и переноса этих зависимостей на будущее. Выбор сделан в их пользу в силу того, что они опираются на аппарат статистического анализа, практика применения которого имеет достаточно длительную историю [1, 6].
Наиболее
распространенным и простым путем
выявления тенденции развития и
прогнозирования на ее основе является
сглаживание или механическое выравнивание
динамического ряда. Суть различных
приемов, с помощью которых осуществляется
сглаживание и прогнозирование, сводится
к замене фактических уровней ВДР yj,
расчетными
,
,
имеющими значительно меньшую изменяемость,
чем исходные данные. Уменьшение
изменяемости позволяет тенденции общего
развития проявить себя более отчетливо.
В ряде случаев сглаживание ряда может
рассматриваться как важное вспомогательное
средство, облегчающее применение других
методов статистической обработки данных
[1].
Как правило, после
сглаживания производят прогнозирование
со значениями
,
.
В некоторых работах [18] рекомендуется,
чтобы интервал прогнозирования не
превышал одной трети количества имеющихся
значений прогнозируемого ВДР, т.е.
(5.1.1)
Возьмем первые 20 значений имеющихся ВДР за 2000-2004 г за интервал времени для прогнозирования, тогда r – n требуется взять не более 6 кварталов, т.е. полтора года. Будем прогнозировать деятельность предприятия на четыре квартала 2005 года, т.е. r = 24 и т.к. на первые три квартала из них q = 3 имеются фактические данные, то их будем использовать для оценки качества прогнозирования. Его будем оценивать по формуле:
, (5.1.2)
где yij – фактическое значение j-ой переменной на i-ом интервале времени;
- среднее значение
по фактическим данным, вычисляемое по
формуле:
. (5.1.3)
Наиболее конструктивный показатель, не зависящий от размерности элементов ВДР по отношению стандартной ошибки к среднему прогнозируемому значению
(5.1.4)
Отметим, что в инженерной практике стандартная ошибка вычисляется по другой формуле. Приведём её:
.
В данной работе для вычисления стандартной ошибки использована формула (5.1.2).
Проведём прогнозирование тремя известными и применяемыми на практике методами прогнозирования [1]: скользящего среднего, экспоненциальным и авторегрессии и проинтегрированного скользящего среднего, по которым имеются стандартные процедуры прогнозирования в ППП Excel 2003 [13] и Statistica 6.0. [5]. Дополнительно проведем прогнозирование на нейронной сети Neuro Pro и сравним результаты прогнозирования по этим четырем методам.