- •Конспект лекций по учебной дисциплине
- •1.4. Классификация предвидений (прогнозов)
- •1.5. Принципы организации прогнозирования
- •1.6. Порядок прогнозирования
- •Доп. Вопросы (для экзамена на 5)
- •Раздел 1. Прогнозирование методами математической статистики Тема 2. Корреляционные методы
- •2.1. Графическое представление вариационных рядов
- •2.2. Зависимость применимости метода прогнозирования от шкалы
- •2.2.1. Номинальная шкала
- •2.2.2. Ранговая шкала
- •2.2.3. Метрические шкалы
- •Тема 3. Трендовая модель прогнозирования
- •3.1. Понятие временного ряда
- •3.2. Задачи анализа временного ряда
- •3.3. Первоначальная подготовка данных
- •3.4. Задача построения аналитического тренда
- •3.5. Определение базы построения тренда
- •3.6. Наиболее употребимые виды трендов
- •3.7. Графический способ определения вида уравнения (типа) тренда
- •3.8. Определение тренда на основе сглаживания ряда
- •3.8.1. Механическое сглаживание
- •3.8.2. Аналитическое сглаживание
- •3.9. Тестовый способ определения вида уравнения (типа) тренда
- •3.10. Прогнозирование по тренду
- •3.11. Оценка качества прогнозов
- •5.1. Определение периода цикличности на основе функции автокорреляции
- •5.2. Сглаживание по нечётной базе
- •5.3. Сглаживание по четной базе
- •5.4. Взвешенное сглаживание
- •5.5. Достоинства и недостатки метода
- •5.6. Прогнозирование на основе сглаживания
- •Тема 6. Метод экспоненциального сглаживания и его использование в прогнозировании
- •6.1. Выбор параметра сглаживания
- •7.2. Метод наименьших квадратов
- •7.5. Тренды на основе сплайн-функций ???
- •Вопросы на 5
- •Тема 8. Анализ цикличности (сезонности)
- •8.1. Задача выявления сезонных колебаний
- •8.2. Определение сезонной составляющей при аддитивной сезонности
- •8.3. Определение сезонной составляющей при мультипликативной сезонности.
- •8.4. Выявление сезонности с использованием тригонометрических функций
- •9.2.1. Поворотные точки
- •9.2.2. Длина фазы
- •9.2.3. Критерий, основанный на знаках разностей
- •9.2.4. Критерии, основанные на ранговой корреляции
- •9.2.5. Сравнительный анализ критериев
- •9.3. Практические способы анализа ошибки ??? Тема 10. Прогнозирование на основе регрессионных моделей
- •10.1. Понятие регрессии
- •10.2. Отбор факторов для регрессии
- •10.3. Вид функции регрессии
- •10.4. Расчет параметров регрессии
- •10.5. Прогнозирования на основе регрессионных моделей
- •10.6. Авторегрессия
- •Тема 11. Производственные функции
- •11.1. Общая характеристика производственной функции
- •11.2. Функция Кобба-Дугласа. Общая характеристика
- •11.3. Функция Кобба-Дугласа. Расчет параметров
- •12.1.2. Задачи о «смесях»
- •12.1.3. Задачи о «раскрое»
- •12.1.4. Общая планово-производственная задача. Выбор интенсивностей использования различных технологических способов производства
- •12.1.5. Распределение ресурсов во времени. Оптимальное регулирование запасов
- •12.2. Графическое решение задачи
- •15.1. Прогнозирование на основе групповой экспертной оценки
- •15.2. Применение метода "Дельфи" для прогнозирования
- •Тема 16. Самореализующиеся прогнозы
- •Тема 17. Имитационное моделирование
9.2.3. Критерий, основанный на знаках разностей
Несколько более сложный критерий состоит в подсчете числа положительных разностей первого порядка в ряде, иначе говоря, числа точек возрастания ряда. Для ряда из n членов получаем n — 1 разностей. Как и прежде, определим «счетную переменную»:
Если теперь обозначить через с число точек возрастания случайного ряда, то:
Распределение довольно быстро стремится к нормальности. Можно показать, что дисперсия стремится к:
Очевидно, что критерий, основанный на знаках разностей, совершенно бесполезен для выявления ряда, описывающего колебательное движение, в котором число точек возрастания всегда будет приблизительно равно ½n. В основном он рекомендуется для проверки наличия линейного тренда. С другой стороны, критерий, основанный на поворотных точках, плохо подходит для обнаружения тренда, так как наложение заметных случайных колебаний на умеренный тренд приводит примерно к тому же множеству поворотных точек, что и при отсутствии тренда. Более совершенным, но и более сложным критерием для обнаружения линейного тренда являются регрессия и проверка значимости регрессионного коэффициента или использование коэффициента t, описанного в следующем параграфе.
9.2.4. Критерии, основанные на ранговой корреляции
Идею сравнения соседних значений ряда можно развить до сравнения всех значений. Для данного ряда подсчитаем число случаев, в которых . Обозначим это число через Р. Всего для сравнения имеется ½ n(n-1) пар и математическое ожидание числа Р для случайного ряда равно ¼ n(n-1). Если Р превышает это число и превышение значимо, то это указывает на наличие возрастающего тренда; Р, меньшее, чем это число, указывает на падающий тренд. В действительности, число Р связано простым соотношением с коэффициентом ранговой корреляции Кендэлаt:
Этот коэффициент может изменяться от -1 до +1. Его математическое ожидание для случайного ряда равно нулю, а дисперсия
9.2.5. Сравнительный анализ критериев
Имеются и другие критерии, представляющие значительный теоретический интерес, но на практике они требуются редко.
Критерий для обнаружения линейного тренда требуется не часто, но когда он необходим, наилучшим критерием будет либо линейная регрессия, либо коэффициент t. Последний имеет преимущество, которое заключается в том, что он не требует машинных вычислений и легко обновляется. Можно показать, что критерий, основанный на знаках разностей, как критерий на тренд, имеет в асимптотике нулевую относительную эффективность в сравнении с критериями на основе коэффициента регрессии или t.
Если предполагается, что тренда нет, то подсчет поворотных точек как критерий проверки гипотезы о случайности при альтернативной гипотезе о наличии систематических колебаний прост для применения и эффективен на практике. Но если поворотные точки появляются гроздьями, то более подходит фазовый критерий.
Фостером и Стьюартом рассмотрено распределение рекордных значений в ряде. Рекордное значение — это значение, которое больше (или меньше), чем все предыдущие записанные значения. Как критерий гипотезы о тренде он менее эффективен, чем критерии на основе регрессионного коэффициента или t. Главный недостаток, безусловно, состоит в том, что если в действительности нет сильного тренда, то с течением времени рекордные значения имеют тенденцию становиться редкими.
В начале отмечалось, что критерий для проверки гипотезы о случайности может потребоваться для анализа остатков, полученных вычитанием из ряда систематических элементов. К сожалению, сам процесс вычитания обычно порождает корреляцию в получаемых остатках, даже если исходные значения случайны. Именно поэтому довольно опасно применять рассмотренные критерии для анализа остатков без исследования искажений, вносимых процессом вычитания.
Ряд случайных колебаний дискретен по своей сути, но некоторые ряды непрерывного типа (острие лезвия бритвы под микроскопом, звуковая дорожка движущейся пластинки) имеют весьма несистематический вид. Если изучать физические явления вплоть до уровня атомов, они, конечно, дискретные. Но остается вопрос, возможны ли математически непрерывные случайные ряды. По нашему мнению, ответ должен быть отрицательным. Тем не менее, можно рассматривать ряд, в котором интервал наблюдения велик и охватывает большое число точек, в которых проявляется случайный эффект. Для некоторых целей такие ряды, подобные острию бритвы, можно рассматривать как непрерывные, но в математических доказательствах необходима осторожность. Осуществить предельный переход к континууму, как это делается в математике при построении арифметического континуума исходя из множества дискретных точек, не представляется возможным. Другими словами, не представляется возможным построить формально теорию непрерывного случайного ряда аналогично тому, как в математике строится теория вещественных чисел.
Все рассмотренные критерии, не зависят от вида распределения, за исключением стандартного критерия на основе регрессионного коэффициента, когда для определения линейного тренда строится регрессия переменной на время. Большинство рядов, встречающихся на практике, столь явно неслучайны, что тщательное обсуждение критериев случайности едва ли окупится. Однако в теории стационарных процессов часто точные результаты, связанные с распределениями, могут быть получены только для случайных рядов, и эти результаты используются в качестве полезной проверки неслучайных рядов по приближенным формулам.