- •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
3.2. Задачи анализа временного ряда
Задачи - выявление (анализ) и [математическое] описание его компонент, прежде всего - тренда.
Этапы (задачи) анализа тренда:
1. Первоначальная подготовка данных (сопоставимость, разрывы, выбросы)
2. Анализ временного ряда
3. Выбор типа тренда и базы (периода) его построения. Определить тип тренда можно следующими способами:
3.1. Визуально
3.2. На основе теории канала
3.3. На основе агрегирования ряда данных
3.4. На основе сглаживания ряда данных
3.5. На основе тестирования ряда данных
3.6. На основе содержательного анализа изучаемого явления, с опорой на опыт исследователя в данном вопросе.
4.Расчёт параметров уравнения тренда
5.Анализ и моделирование цикличности (сезонности), при её наличии.
6.Анализ ряда ошибки на случайность. Если ряд ошибки может быть признан случайным, то тренд и цикличность смоделированы корректно и их можно использовать для получения прогноза (п.7). В противном случае необходимо провести анализ заново (вернуться к п.1)
7. Получение прогноза на основе детерминированных компонент.
3.3. Первоначальная подготовка данных
Собранные в динамический ряд данные должны быть сопоставимы:
- по физической единице измерения (метры, тонны; тонны, кг)
- по стоимостной оценке (учет инфляции)
- по времени, к которому приурочены данные (стандартный месяц)
Из динамического ряда желательно устранить разрывы и выбросы.
Разрыв – отсутствие данных за часть периодов.
Выброс – резко отличное по величине наблюдение от соседних.
Разрывы и выбросы устраняются содержательно (собираются дополнительные данные, проверяется наличие ошибок) и формально – проведением аппроксимации.
Аппроксимация – заполнение значений в динамическом ряду на основании известных значений ряда.
Способы аппроксимации:
- повторить последнее известное значение (слева или справа)
- взять среднее (в различных видах) значение от известных соседних
- взять трендовое значение (Способ применим, если тренд уже построен)
3.4. Задача построения аналитического тренда
Тренд может строиться для (см.3.10):
Цель |
Критерий |
Тип математ. функции |
заполнения пропущенныхнаблюдений внутри известных данных |
Наилучшее описание наблюдаемых значений[ряда] |
[скорее] сложный, [чем простой] |
определения наиболее вероятных значений завременными границамиизвестных данных |
описание тенденции [ряда], достаточно устойчивой для сохранения за пределами его |
[скорее], простой [чем сложный] |
3.5. Определение базы построения тренда
База тренда должна соответствовать периоду сохранения тенденции [и задаче построения тренда].
Для соц.-эк. систем считается типичным выбор базы тренда длиной в три горизонта предсказания.
Для определения смены тенденции обычно применяют [эмпирический] метод каналов и/или сигнальных (пиковых) значений рядов абсолютных и относительных приростов (см. прим. - №00 Анализ ряда.xls). При желании, вместо прямых границ канала можно использовать произвольные кривые [границы].
3.6. Наиболее употребимые виды трендов
Таблица STYLEREF 1 \s 1‑ SEQ Таблица \* ARABIC \s 1 1 Тренды
Вид Тренда |
Формула |
Осн. Характеристика |
Достоинства |
Недостатки |
Область применения |
Полиномы: |
|
|
Простота, сводимость, легкая интерпретация |
Малая точность |
краткосрочное пронозирование, аппроксимация |
Константа |
Y=a |
Пост. уровень | |||
Прямая |
Y=at+b |
Пост. рост | |||
Парабола |
Y=att+bt+c |
Пост. прирост |
Чрезмерный рост со временем | ||
Показательная |
Y=a*b^t |
Пост. темп роста |
Смысл Простота |
Функция принимает только положительные значения |
Процессы неограниченного роста (население, НТП) |
Экспоненциальная |
Y=a*exp(bt) | ||||
Степенная |
Y=a*t^b |
(вид полинома) |
|
|
Физ. законы (притяжение) |
Логарифмическая |
Y=a*log bt |
(производная от линейной) – линейный процесс при экспоненциальном времени |
Замедляет рост со временем |
Непонятна интерпретация |
Процессы условного насыщения, энтропия
|
логистическая, S– образная |
(варианты) |
Отражение идеи о развитии процесса |
Теоретическое обоснование |
Сложность расчетов |
Процесс развития в замкнутой среде |
Прим. Логистическая кривая сложна для математического описания. Поэтому делится точкой перелома на экспоненциальную и логарифмическую.