1.Что такое «система»?
Система — это совокупность элементов, объединённых некоторым образом в единое целое.
2.Что такое «модель»?
Модель — это некоторый материальный или мысленно представляемый объект илиявление, замещающий оригинальный объект или явление, сохраняя только некоторыеважные его свойства.
3.Что такое «прогноз»?
Прогноз — научно обоснованное суждение о возможных состояниях объекта в
будущем и (или) об альтернативных путях и сроках их осуществления.
4.Что такое «срок прогнозирования»?
это отрезок времени, на который рассчитан (разрабатывается) прогноз.
5.Что такое «период основания прогноза»?
Любой прогноз основан на изучении некоторого прошлого множества наблюдений. Этот промежуток времени, на основании которого строится прогноз, получил название периода основания прогноза
6.Что такое «период упреждения прогноза»?
Период упреждения прогноза — это тот промежуток времени, на который разрабатывается прогноз
7.Что такое «период инерционности системы»?
период времени, в течение которого объект продолжает развиваться по инерции, то есть «период инерционности».
8.Что такое «краткосрочный прогноз»?
Краткосрочный прогноз – это прогноз на такой промежуток времени, который мал по отношению к периоду инерционности
9.Что такое «среднесрочный прогноз»?
Среднесрочный прогноз выполняется на промежуток времени, соизмеримый с периодом инерционности объекта прогнозирования
10.Что такое «долгосрочный прогноз»?
Долгосрочный прогноз выполняется на период упреждения, значительно превышающий период инерционности
11.Что такое «временной ряд»?
Упорядоченный во времени ряд наблюдений, в котором время наблюдения характеризует особенность состояния внешних и внутренних факторов поведения объекта наблюдения, в результате чего формирование ряда осуществляется неслучайным образом
12.Что такое «обратимый процесс»?
Обратимый процесс характеризуется постоянством некоторых статистических характеристик, сохраняющихся вне зависимости от времени наблюдения.
• стационарный,
• нестационарный
13.Что такое «необратимый процесс»?
необратимым процессом тенденции либо меняются во времени (процесс носит эволюционный характер), либо просто отсутствуют (хаотический характер)
• эволюционный,
• хаотический
14.Как меняет свойства модели значительное увеличение числа наблюдений в случае с необратимым процессом?
Характерной чертой необратимых процессов является то, что увеличение числа наблюдений не улучшает характеристики модели.увеличение числа наблюдений в данном случае только ухудшит прогнозные и аналитические свойства модели.
15.Как меняет свойства модели значительное увеличение числа наблюдений в случае с обратимым процессом?
В случае с обратимыми процессами, время наблюдения никакой роли не играет, ряд можно считать просто упорядоченным во времени.
16.Как выглядит стационарный / нестационарный / хаотический / эволюционный процессы?
17.По какой формуле считается дисперсии остатков?
18.Что показывает коэффициент корреляции?
Коэффициент корреляции показывает лишь близость связи между показателями к линейной.
19.Коэффициент корреляции между двумя показателями оказался равен 0,8 или 0,02 или -0,87. О чём это говорит?
если коэффициент корреляции оказался близок к нулю, то это говорит не о том, что связь между показателями отсутствует, а о том, что между показателями нет линейной связи.
20.Что такое «производственная функция»?
технологическая зависимость между затратами ресурсов и выпуском продукции.обычно используют функцию кобба-дугласа
21.В чём заключается критерий МНК?
минимум суммы квадратов отклонений. (то есть отклонения экспериментальных значений от выбранной функции должны быть минимальны)
22.Как построить доверительный интервал при известных средней величине, дисперсии, t-статистике и числу наблюдений?
23.Запишите производственную функцию Кобба-Дугласа в общем виде.
24.Покажите на графике, как будет выглядеть линейная функция, коэффициенты которой найдены МНК по всему ряду.
25.Как можно выбрать модель на основе ошибок аппроксимации, коэффициента детерминации и коэффициента соответствия?
26.Как выглядит модель Брауна?
27.В каких пределах лежит постоянная сглаживания в модели Брауна?
28.В каких пределах лежат постоянные сглаживания в модели Хольта?
единственным
разумным ограничением будет принадлежность коэффициентов к области
действительных чисел
29.В каких пределах лежат постоянные сглаживания в модели Хольта-Уинтерса?
Для модели Холта-Уинтерса так же, как и для модели Холта
30.В каких пределах лежат постоянные сглаживания в модели Тейла-Вейджа?
31.В каких пределах лежит постоянная сглаживания в модели МНК с дисконтированием?
32.В результате расчёта постоянная сглаживания в модели Брауна получилась равной 0,01 или 0,98 или 1,25 или 1,89. О чём это говорит?
• если α = 0, то модель не учитывает текущие наблюдения (то есть становится не
адаптивной),
• близость α к нулю или единице характеризует степень адаптивности модели,
• если α = 1, то модель не учитывает прошлые наблюдения (то есть становится
полностью адаптивной),
• если α > 1, то модель не только учитывает текущие значения, но ещё и учитывает отклонения прогнозных значений от фактических на текущем наблюдении (то есть ещё и становится самообучающейся).
33.Какие методы задания первого значения в модели Брауна вы знаете?
Первое расчётное значение равно фактическому:
Первое расчётное значение рассчитывается как среднее первых трёх
фактических наблюдений:
Модель начинает считаться с третьего значения, которое рассчитывается как
средневзвешенное значение первых двух фактических через ту же постоянную
сглаживания, которая используется для построения модели:
Модель начинает строится с третьего значения, которое считается по
модифицированной формуле
34.В чём заключается идея мнк с дисконтированием?
Идея метода сводится к тому, что при расчёте коэффициентов линейной функции отклонения модели от новых значений имеют большие веса, чем отклонения от старых данных. То есть условие МНК модифицируется так, что каждому отклонению задаётся некоторый вес vt
35.Какими преимуществами и недостатками обладает модель Брауна?
1.Модель легка впостроении 2. Модель не требует никаких априорных предположений о прогнозируемомпроцессе 3. Модель даёт хорошие краткосрочные прогнозы в случае с эволюционными и стационарными процессами. Недостатки: 1. Модель не позволяет давать адекватные среднесрочные прогнозы, 2. Расчёт постоянной сглаживания невозможно автоматизировать, приходится её подбирать.
36.Какими преимуществами и недостатками обладает мнк с дисконтирвоанием?
. Преимущества МНК с дисконтированием 1. Модель строится на основе наиболее важных данных, в результате чего отражает последние тенденции, а не «средние» по всему ряду; 2. На основе этого метода можно построить любые регрессионные модели (в том числе и многофакторные); Недостатки: 1. При поступлении новых данных коэффициенты модели должны быть пересчитаны вручную, 2. Нет алгоритма выбора постоянной сглаживания, требуется экспертное суждение, 3. Невозможно рассчитать дисперсию.
37.Какими преимуществами и недостатками обладает модель Хольта?
Итак, у модели есть ряд преимуществ и недостатков. К преимуществам можно отнести:
1. Модель позволяет давать более точные прогнозы в случаях с ярко выраженными
линейными тенденциями;
2. Модель позволяет делать прогнозы на несколько шагов вперёд;
К недостаткам относятся:
1. Выбор двух постоянных сглаживания и первоначальных значений
коэффициентов линейного тренда вызывают сложности;
2. В случае с рядами, не имеющими линейные тенденции, метод даёт результаты
сопоставимые с методом Брауна, а иногда и хуже;
3. Модель адаптируется к отклонениям на каждом шаге, вне зависимости от того,
носят они случайный или систематический характер, из-за чего прогноз очень
сильно зависит от того, как модель адаптируется к последнему наблюдению.
38.Какими преимуществами и недостатками обладает модель Хольта-Уинтерса?
Преимущества модели Холта-Уинтерса:
1. Модель позволяет давать более точные прогнозы в случаях с ярко
выраженными линейными и циклическими тенденциями;
2. Модель позволяет делать прогнозы на несколько шагов вперёд;
Недостатки:
1. Большая .подготовительная работа., для которой требуется большой ряд
данных. В частности, если постоянные сглаживания подбираются
автоматически по какому-нибудь критерию (например, минимум СКО), то
нужно 3 части ряда: по первой части строится линейная функция и
вычисляются сезонные коэффициенты, по второй строится модель и
пересчитываются сезонные коэффициенты и только по третьей части можно
рассчитать постоянные сглаживания (из-за лага сезонности s адаптированные
сезонные коэффициенты включаются в модель только на этом участке);
2. Выбор трёх постоянных сглаживания и первоначальных значений
коэффициентов линейного тренда вызывают сложности;
3. Нет ничего более постоянного, чем перемены: циклические составляющие
существенно меняются во времени;
4. Модель адаптируется к отклонениям на каждом шаге, вне зависимости от того,
носят они случайный или систематический характер, из-за чего прогноз очень
сильно зависит от того, как модель адаптируется к последнему наблюдению.