
- •Федеральное агентство по образованию
- •Раздел 1. Осмысление математического аппарата для решения экономических задач
- •1.1. Экстремум функции нескольких переменных
- •1.2. Достаточный признак существования экстремума функции двух независимых переменных
- •1.3. Условный экстремум
- •1.4. Метод наименьших квадратов
- •1.5. Правила составления систем стандартных уравнений
- •1.6. Наиболее привлекательные функции для измерения экономических процессов (спроса, выпуска продукции, ценообразования и других)
- •1.6.1. Квадратичная функция
- •1.6.2. Биквадратная функция
- •1.6.3. Кубическая функция
- •1.6.4. Обратно пропорциональная функция
- •1.6.5. Дробно-линейная функция
- •1.6.6. Дробно-рациональные функции
- •1.6.7. Степенная функция
- •1.6.7.1. Степенная функция с натуральным показателем
- •1.6.7.2. Степенная функция с целым отрицательным показателем
- •1.6.7.3. Степенная функция с дробным показателем
- •1.6.8. Показательная функция
- •1.6.9. Логарифмическая функция
- •1.7. Асимптоты с привлекательными функциями для измерения экономических процессов (показателей)
- •1.8. Некоторые обобщения
- •1) Сумма квадратов отклонений
- •2) Сумма модулей отклонений
- •1.9. Вопросы для самоконтроля
- •3. Сформулируйте, при каких обстоятельствах достигает функция максимума, минимума, при каких обстоятельствах остается вопрос открытым и требуются дополнительные исследования.
- •1.10. Тренировочные задачи
- •1.11. Тест к разделу 1
- •Раздел 2. Эконометрические модели
- •2.1. Измеряющие (регрессионные) модели и корреляция
- •2.1.1. Частная корреляция
- •2.2. Имитирование (интерпретация) регрессионных моделей
- •2.3. Эконометрические модели спроса
- •2.4. Эконометрические модели ценообразования
- •2.5. Оценка уравнения регрессии и корреляции
- •2.6. Вопросы для самоконтроля
- •1. В чем сущность эконометрических моделей регрессии, в частности спроса, предложения?
- •2.7. Тренировочные задачи
- •2.8. Тест к разделу 2
- •Раздел 3. Эконометрические модели прогнозирования
- •3.1. Стационарные и нестационарные ряды
- •3.2. Авторегрессия, автокорреляция
- •3.3. Модели прогнозирования
- •3.4. Экспоненты
- •3.5. Кривая Гомперца и логистическая кривая
- •3.6. Гомоскедастичноость, гетероскедастичность остатков
- •3.7. Автокорреляция в остатках, критерий Дарбина-Уотсона
- •3.8. Упрощенное оценивание параметровмодифицированной экспоненты, кривой Гомперца и логической кривой
- •3.8.1. Метод трех сумм
- •3.8.2. Метод трех точек
- •3.9. Графическая интерпретация кривых роста
- •3.10. Доверительные интервалы прогноза
- •3.10.1. Доверительные интервалы прогноза для линейного тренда
- •3.10.2. Доверительные интервалы полиномов невысоких степеней
- •3.11. Критерии точности и надежности прогнозов
- •3.12. Вопросы для самоконтроля
- •3.13. Тренировочные задачи
- •3.14. Тест к главе 3
- •Раздел 4. Программные продукты
- •4.2. Тренировочные задачи
- •Тест по дисциплине
- •Литература
3.9. Графическая интерпретация кривых роста
На практике для описания тенденции развития, следовательно, выбора типа функции, широко используются модели кривых роста. Рассмотренные выше нами функции в обобщенном виде графически представлены на рис. 7. Эти кривые могут существенно облегчить процесс выбора типа кривых:
а)
полином первого порядка ();
б)
полином второго порядка ();
в)
полином третьего порядка ();
г)
показательная функция ();
д)
модифицированная экспонента ();
е)
кривая Гомперца ();
ж)
логистическая кривая ().
Последнее иногда представляется следующим образом:
.
При t → -∞ ордината стремится к нулю, а при t → ∞ - к асимптоте, равной значению параметра К. Кривая симметрична относительно точки перегиба с координатами t = еnb : a; yt = K : 2.
Как видно из графика 6, логистическая функция сначала возрастает ускоренными темпами, затем темп роста замедляется и, наконец, рост почти прекращается, подтверждением является то, что кривая асимптотически приближается к некоторой прямой, параллельной оси абсцисс.
1. Полином первого порядка ( |
2.
Полином второго порядка ( |
3.
Полином третьего порядка ( |
4.
Показательная функция ( |
5.
Модифицированная экспонента ( |
6.
Кривая Гомперца ( |
7.
Логистическая кривая ( |
Рис. 6 Кривые роста
3.10. Доверительные интервалы прогноза
Одна из основных задач, возникающих при прогнозировании, заключается в определении доверительных интервалов прогноза. Интуитивно понятно, что в основе расчета доверительности интервала прогноза должен быть положен измеритель колеблемости ряда. Чем выше эта колеблемость, тем шире интервал для прогноза. Следовательно, вопрос о доверительном интервале прогноза следует начать с рассмотрения измерителя колеблемости. Обычно таким измерителем является среднее квадратическое отклонение:
,
где
-
соответственно фактическое и расчетное
значения ряда;
f – число степеней свободы, определяемое в зависимости от числа наблюдений (n) и числа оцениваемых параметров.
f = n – z,
где z – число оцениваемых параметров.
Например, для параболы второй степени f = n – 3, третьей степени f = n – 4 и т.д.
Сумму квадратов отклонений от тренда можно разложить следующим образом:
Последнее
выражение можно упростить. Допустим,
что начало отсчета находится в середине
ряда, тогда
,
а параметрыа
и b
будут равны:
;
.
После преобразований получим:
Разность
первых двух членов правой стороны равна
сумме квадратов отклонений от средней
арифметической, т.е.
.
Таким образом,
Последнее выражение показывает, что сумма квадратов отклонений от линий тренда меньше, чем от средней арифметической.
Сумма
квадратов отклонений от линий тренда,
т.е.
и
среднее квадратическое отклонение от
трендаSy
является основой при определении средней
квадратической ошибки параметров.
Прежде чем приступить к определению доверительного интервала прогноза, следовало бы сделать оговорку. Дело в том, что предположение о нормальности распределения отклонений вокруг линии регрессии не может ни утверждаться и не быть проверено при анализе рядов. Дискуссии еще в 30-40-х годах пролили свет на трудности, связанные с этой проблемой. В итоге, принципиальный новый подход так и не был найден. Все предложения так или иначе связаны с определением доверительного интервала на основе оценки среднего квадратического отклонения членов ряда.
Полученные
в ходе оценивания параметры не свободны
от погрешности. Расчетные значения
несут
на себе груз неопределенности, связанной
с ошибками в значении параметров.
В общем виде доверительный интервал прогноза определяется как
,
где
-
средняя квадратическая ошибка;
-
расчетное значение уt;
-
значение t-критерия
Стьюдента.
Если t = I + L, то последнее определит значение доверительного интервала на L единиц времени.
Доверительный интервал прогноза должен учитывать не только неопределенность, но возможность отклонения, т.е. диапазон варьирования. Если обозначим среднюю квадратическую ошибку как Sp, тогда доверительный интервал прогноза составит: