- •В.В. Давнис, в.И. Тинякова эконометрические методы прогнозирования
- •1. Теоретические основы прогнозирования
- •1.1. Сущность экономического прогнозирования
- •1.2. Типология прогнозов
- •1.3. Этапы прогнозирования
- •2. Экстраполяция временных рядов
- •2.1. Сущность экстраполяции
- •2.2. Типы роста и трендовые модели
- •2.3. Метод наименьших квадратов (мнк)
- •В общем случае поиск оптимальных параметров сводится к решению нелинейной экстремальной задачи. Обычно рассматривают линейный случай
- •Решая линейную систему (2.26) с помощью замены
- •2.4. Адекватность. Критерий Дарбина – Уотсона
- •2.5. Критерии точности прогнозных расчетов
- •3. Регрессионный анализ и прогноз
- •3.1. Множественная регрессия
- •3.1.1. Основные понятия регрессионного анализа
- •3.1.2. Общий вид модели множественной регрессии
- •3.1.3. Метод наименьших квадратов в матричной форме
- •3.1.4. Парная регрессия как частный случай множественной
- •3.1.5. Мультиколлинеарность факторов
- •3.1.6. Особенности применение регрессионных моделей в прогнозных расчетах
- •3.2. Обобщенный регрессионный анализ
- •3.2.1. Обобщенная схема мнк
- •Здесь использован тот факт, что
- •3.2.2. Метод взвешенных наименьших квадратов
- •3.2.3. Корректировка стандартных ошибок
- •3.2.4. Тесты на гетероскедастичность
- •3.3. Регрессионные модели с автокоррелированными остатками
- •3.3.1.Общая схема мнк в случае автокорреляции первого порядка
- •3.3.2. Методы тестирования на автокорреляцию
- •3.3.3. Методы оценивания параметра
- •3.3.4. Прогнозные расчеты при автокоррелированных остатках
- •3.4. Регрессионные модели с лаговыми переменными
- •3.4.1. Общий вид моделей с лагами в независимых переменных
- •4. Авторегрессионные процессы и их модели
- •4.1. Стационарность
- •4.2. Модель авторегрессии
- •4.3. Понятие интеграции
- •4.4. Модели скользящей средней
- •4.5. Авторегрессионные модели скользящей средней
- •4.6. Авторегрессионные интегрированные модели скользящей средней
- •4.7. Коэффициент автокорреляции и проверка его значимости
- •4.8. Определение порядка моделей arma
- •4.9. Построение моделей arima
- •4.10. Проверка адекватности моделей arma
- •4.11. Оценка точности прогнозных расчетов по моделям arima
- •5. Адаптивные модели прогнозирования
- •5.1. Специфика адаптивного моделирования
- •5.2. Полиномиальные модели
- •5.3. Рекуррентный метод наименьших квадратов
- •5.4. Многофакторные адаптивные модели
- •5.5. Адаптивные многошаговые модели
- •5.6. Выбор начальных значений и
- •6. Прогнозирование сезонных колебаний
- •6.1. Моделирование периодических колебаний
- •Эта запись получена с использованием тригонометрического тождества
- •6.2. Аддитивная и мультипликативная модели
- •6.3. Моделирование сезонных колебаний
- •6.4. Адаптивные модели сезонных явлений
5. Адаптивные модели прогнозирования
5.1. Специфика адаптивного моделирования
экономических процессов
Сложность и динамичность, а также высокий уровень неопределенности, являясь характерными свойствами экономических процессов, порождают специфические условия, которые необходимо учитывать при разработке прогнозных моделей. Эта специфичность должна быть определяющей как при выборе адаптивных моделей и алгоритмов для проведения конкретных прогнозных расчетов, так и в работе по дальнейшему совершенствованию подходов, основанных на применении принципов адаптации в экономических исследованиях. Поэтому среди большого разнообразия методов адаптивного управления и предсказания широкое распространение в экономических приложениях получили только те, которые в наибольшей мере удается приспособить к требованиям этой специфики.
В настоящее время наибольшей популярностью у специалистов пользуются модели, адаптивный механизм которых построен на основе использования процедуры экспоненциального сглаживания. Модели с подобным механизмом находят применение как при решении прикладных задач, так и в теоретических построениях. И дело здесь не только и не столько в простоте идеи и удобстве вычислительной схемы, хотя и это играет определенную роль. Скорее, успех объясняется тем, что с ее помощью удается построить эффективный механизм корректировки коэффициентов прогнозной модели в ситуациях, когда специфичность условий экономического развития проявляется отсутствием информации, по которой можно было бы определить закономерность, лежащую в основе структурных изменений модели. Конечно, с подобной ситуацией приходится сталкиваться и в технических приложениях, но все же характерной, а практика решения задач перспективного анализа не оставляет места сомнениям по этому поводу, она является для приложений экономического плана.
Отсутствие информации может быть компенсировано только использованием правдоподобных предположений о характере поведения модели в ответ на качественные изменения в развитии моделируемых процессов. Пожалуй, самой простой и вполне естественной для экономических процессов является гипотеза, в основу которой положено предположение о том, что в моделях, отражающих эти закономерности, с течением времени происходит сравнительно медленное изменение структурных коэффициентов. Фактически это предположение непосредственно вытекает из анализа результатов одновременного проявления динамичности и инерционности экономических систем, так как именно одновременное действие ограничивает яркое проявление только одного из этих свойств, исключая тем самым применение как моделей с постоянными коэффициентами, так и моделей с резко изменяющимися свойствами. Удобным инструментом для практической реализации этой гипотезы как раз и явился метод экспоненциального сглаживания.
Применение метода экспоненциального сглаживания в краткосрочном прогнозировании получило широкое распространение после выхода работ П. Винтерса, Р. Брауна, Р. Майера, в которых дано его обоснование для случая моделей полиномиального типа. Учитывая этот факт в истории развития методов адаптивного прогнозирования экономических процессов, рассмотрим основные принципы их построения на примере модели, представляющей собой полином нулевого порядка
, (5.1)
где – значение показателя, характеризующего уровень прогнозируемого процесса в момент времени ;
– изменяющийся во времени параметр, характеризующий средний уровень прогнозируемого процесса в момент времени ;
– случайные независимые отклонения фактических значений от текущего среднего, имеющие нулевое математическое ожидание и конечную дисперсию .
Согласно этой модели расчетная величина прогнозного значения полагается равной оценке параметра, т.е.
. (5.2)
В свою очередь, за оценку текущего значения параметра принимается экспоненциальная средняя , рассчитываемая по рекуррентной формуле
(5.3)
где – значение экспоненциальной средней в момент ;
– параметр сглаживания, .
Фактически схема расчета прогнозной величины задается рекуррентной формулой (5.3), в которой при определении текущей средней используется механизм старения данных по экспоненциальному закону, позволяющий построить прогнозную траекторию с преобладанием тенденций последнего периода. Причем степень этого преобладания может регулироваться параметром . Чем ближе к 1, тем меньше прогнозная оценка отличается от последнего наблюдения.
Для экономических процессов такой механизм хорошо согласуется с интуитивным представлением о характере взаимосвязи будущего их состояния с достигнутыми уровнями предшествующих периодов и, по сути, является адаптивным. Чтобы выяснить сущность принципов, положенных в основу адаптивного механизма рассматриваемой модели, перепишем (5.3) в виде
. (5.4)
Если теперь рассматривать как величину прогнозного значения для момента , то в выражении (6.4) разность представляет собой погрешность прогноза. Эта погрешность учитывается в качестве корректирующего слагаемого при расчете нового прогнозного значения . Таким образом, в вычислительной схеме экспоненциального среднего используется принцип регулятора с обратной связью, что позволяет говорить об адаптивных свойствах модели (5.1).
Таким образом, экспоненциальное сглаживание лежит у истоков адаптивных методов, а сущность этих методов прогнозирования можно раскрыть следующим образом: «Адаптивными называются методы прогнозирования, позволяющие строить самокорректирующиеся (самонастраивающиеся) экономико-математические модели, способны оперативно реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и учета различной информационной ценности уровней ряда»1.