Типи трендових моделей

При моделюванні динамічних процесів причинний механізм формування властивих їм особливостей у явному вигляді не враховується. Будь-який процес розглядається як функція часу. Певна річ, час не є фактором конкретного соціально-економічного процесу, змінна часу t просто акумулює комплекс постійно діючих умов і причин, які визначають цей процес.

У моделях динаміки процес умовно поділяється на чотири складові:

• довгострокову, детерміновану часом еволюцію — трендf(t));

• періодичні коливання різних частот C_t;

• сезонні коливання S_t;

• випадкові коливання e_t.

Зв'язок між цими складовими представляється адитивно (сумою) або мультиплікативно (добутком):

Така умовна конструкція дає змогу, залежно від мети дослідження, вивчати тренд, елімінуючи коливання, або вивчати коливання, елімінуючи тренд. При прогнозуванні здійснюється зведення прогнозів різних елементів в один кінцевий прогноз.

Характерною властивістю будь-якого динамічного ряду є залежність рівнів: значення у_t , певною мірою залежить від попередніх значень: i т. д. Для оцінювання ступеня залежності рівнів ряду використовують коефіцієнти автокореляції r_р з часовим лагом p = 1, 2, ..., т.

Коефіцієнт r_р характеризує щільність зв'язку між первинним рядом динаміки і цим же рядом, зсуненим на p моментів. У табл. 2.1 наведено зсунені ряди динаміки з лагами p - 1, 2, 3. Як видно, із збільшенням лага p кількість пар корельованих рівнів зменшується. Так, при p = 1 довжина корельованих рядів менша за первинний ряд на один рівень, при p = 2 — на два рівні і т. д. Через це на практиці при визначенні автокореляційної функції дотримуються правила, за яким кількість лапв .

Виявлену тенденцію можна продовжити за межі динамічного ряду Така процедура називається екстраполяцією тренда. Принципова можливість екстраполяції ґрунтується на припущенні, що умови, які визначали тенденцію у минулому, не зазнають істотних змін у майбутньому. Формально операцію екстраполяції можна представити як визначення функції:

,

де Y_t+v — прогнозне значення на період упередження v; — база екстраполяції, найчастіше це останній, визначений за трендом рівень ряду.

Прогнозування повних циклів

Свої особливості має моделювання динамічних процесів з ефектом насичення, коли темпи зростання (зниження) уповільнюються і рівень наближується до певної межі (питомі витрати ресурсів, споживання продуктів харчування на душу населення тощо). Для їх описування використовують клас кривих, що мають горизонтальну асимптоту . Найпростішою з-поміж них є модифікована експонента:

де параметр а — різниця між ординатою Y_t, при t = 0 та асимптотою K. Якщо a < 0, асимптота знаходиться вище кривої, якщо a > 0 — асимптота нижче кривої. Параметр b характеризує співвідношення послідовних приростів ординати. За умови рівномірного розподілу ординати по осі часу ці співвідношення є сталими:

.

Модифікована експонента описує процеси, на які діє певний обмежувальний фактор, і вплив цього фактора зростає зі зростанням Y_t. У разі, коли обмежувальний фактор впливає лише після певного моменту, до якого процес розвивався за експоненційним законом, то такий процес найкраще апроксимується S-подібною функцією з точкою перегину P, в якій прискорене зростання змінюється уповільненням. Наприклад, попит на новий товар попервах незначний; потім, після визнання споживачами, він стрімко зростає, але у міру насичення ринку темпи зростання уповільнюються, згасають. Попит стабілізується на певному рівні. Аналогічні фази розвитку мають процеси нововведень і винаходів, ефективність використання ресурсів тощо. З-поміж S-подібних кривих, що описують повний цикл розвитку, найпоширенішою є функція Перла-Ріда — логістична крива:

.

Якщо показник процесу — частка, що змінюється в межах від 0 до 1, то формула логістичної функції спрощується:

.