- •2. Основные этапы построения модели временного ряда
- •4. Метод декомпозиции временного ряда. Предпосылки к его применению для прогнозирования. Основные структурно образующие компоненты в декомпозиции временного ряда. (с. 62)
- •5. Понятие тренда. Понятие кривой роста. Примеры кривых роста, используемых в прогнозировании социально-экономических процессов. (с. 33)
- •6. Полиномиальные кривые. Их свойства. Использование метода характеристик прироста для выбора степени полинома. (с 16,37)
- •8. Что такое линеаризация модели? Как выполняется линеаризация простой экспоненты? Как используется это преобразование в оценке параметров модели и получении интервального прогноза?
- •9. Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
- •11.Свойства мнк-оценок параметров модели. Условия Гаусса-Маркова.
- •2.Условие постоянства дисперсии случайной компоненты (гомоскедастичность).
- •13. Показатели, используемые для оценки точности трендовых прогнозных моделей.
- •14. Понятия адекватности прогнозной модели.
- •15. Формула интервального прогноза по модели линейного тренда. Для каких ещё кривых роста можно её применять?
- •16.Ретроспективный прогноз. Верификация прогноза.
- •17.Сезонная неравномерность, ее показатели. Понятие индекса сезонности. Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
- •18. Понятия экстраполяции и периода упреждения в прогнозировании. Выбор длины периода упреждения.
- •20. Модели авторегрессии. Предпосылки к применению этих моделей. Преобразование исходных данных для построения модели авторегрессии.
- •21. Понятие частной автокорреляционной функции. Ее применение для оценки порядка модели авторегрессии.
- •22. Применение метода скользящего среднего в краткосрочном прогнозировании. Простое скользящее среднее и экспоненциальное сглаживание.
- •23. Модели Брауна нулевого и первого порядка.
- •24.Многофакторная модель временного ряда. Методы отбора факторов
- •25.Построение модели регрессии на главных компонентах.
15. Формула интервального прогноза по модели линейного тренда. Для каких ещё кривых роста можно её применять?
Интервальный прогноз на базе трендовых моделей осуществляется путём расчёта доверительного интервала – такого интервала, в котором с определённой вероятностью можно ожидать появлении фактического значения экономического показателя.
В случае линейного тренда для расчёта доверительных интервалов можно использовать формулу для парной регрессии. Таким образом, доверительный интервал прогноза будет иметь вид:
где - период упреждения
- точечный прогноз по модели на момент времени (n+)
n – количество наблюдений во временной ряду
– стандартная ошибка оценки прогнозируемого показателя
- табличное значение критерия Стьюдента для уровня значимости и числе степеней свободы равного n–2
16.Ретроспективный прогноз. Верификация прогноза.
Ретроспективный прогноз (на основе данных за прошедшее время) — имитационный эксперимент, позволяющий прогнозировать данные уже прошедшего периода и сопоставлять полученные значения переменных имитационной модели с известными (фактическими) данными. Если известны воздействия на систему и результаты этих воздействий, т. е. фактическое развитие системы за определенный период, то Р. п. покажет, приведут ли те же воздействия на имитационную модель к аналогичным последствиям. В Р. п. сравниваются, таким образом, две траектории: анализируемой переменной и соответствующего показателя моделируемой реальной системы. Верификация прогноза сводится к сопоставлению расчетных результатов по модели с соответствующими данными действительности - массовыми фактами и закономерностями экономического развития.
Верификация прогнозной модели представляет собой совокупность критериев, способов и процедур, позволяющих на основе многостороннего анализа оценивать качество получаемого прогноза. Однако чаще всего на этапе верификации в большей степени осуществляется оценка метода прогнозирования, с помощью которого был получен результат, чем оценка качества самого результата. Это связано с тем, что до сих пор не найдено эффективного подхода к оценке качества прогноза до его реализации.
Так, получив прогноз событий, определяющих нежелательное направление перспективного развития, пользователь может принять меры, чтобы прогноз не оправдался; такой прогноз называется самодеструктивным. Если прогноз предсказал ход событий, устраивающий пользователя, то он может использовать свои возможности для увеличения вероятности правильного прогноза; подобный прогноз называется саморегулирующим. показателем ценности прогноза является его достоверность и полезность для пользователей.
О точности прогноза принято судить по величине ошибки прогноза - разности между фактическим значением исследуемого показателя и его прогнозным значением.
Проверка точности одного прогноза недостаточна для оценки качества прогнозирования, так как она может быть результатом случайного совпадения. Наиболее простой мерой качества прогнозов . Данную меру качества прогнозов к можно вычислить по формуле р - число прогнозов, подтвержденных фактическими данными; q - число прогнозов, не подтвержденных фактическими данными.
Однако в практической работе проблему качества прогнозов чаще приходится решать, когда период упреждения еще не закончился и фактическое значение прогнозируемого показателя неизвестно. В этом случае более точной считается модель, дающая более узкие доверительные интервалы прогноза.