- •Оглавление
- •Раздел 0. Теоретические основы математического анализа в экономике 4
- •Введение
- •Раздел 0.Теоретические основы математического анализа в экономике
- •1.1. Предвидение и его формы
- •1.2. Сущность и основные понятия
- •1.3. Роль и место математических методов в процессе принятии управленческих решений
- •1.4. Классификация прогнозов
- •1.5. Классификация методов прогнозирования
- •Трендовая модель прогнозирования
- •Задачи анализа временного ряда
- •Механическое сглаживание
- •Тестовый способ определения вида уравнения (типа) тренда
- •Анализ цикличности (сезонности)
- •1.6. Принципы прогнозирования
- •1.7. Этапы прогнозирования
- •1.8. Прогнозирование средствами матстатистики
- •Номинальная шкала
- •Ранговая шкала
- •Метрические шкалы
- •Построение графического тренда на основе канала
- •Сглаживание по нечётной базе
- •Сглаживание по четной базе
- •Взвешенное сглаживание
- •Метод экспоненциального сглаживания и его использование в прогнозировании
- •Выбор параметра сглаживания
- •Прогнозирование на основе сглаживания
- •Расчёт параметров уравнения тренда
- •Метод наименьших квадратов
- •Тренды на основе сплайн-функций
- •Критерии случайности
- •1.9. Понятие регрессии
- •Регрессионные модели
- •Отбор факторов для регрессии
- •Вид функции регрессии
- •Расчет параметров регрессии
- •Прогнозирования на основе регрессионных моделей
- •Авторегрессия
- •1.10. Производственные функции
- •Функция Кобба-Дугласа. Общая характеристика
- •1.12. Оптимизационные методы прогнозирования
- •Определение оптимального ассортимента
- •Задачи о «смесях»
- •Задачи о «раскрое»
- •Распределение ресурсов во времени. Оптимальное регулирование запасов
- •1.13. Прочие методы прогнозирования Экспертиза
- •Прогнозирование на основе групповой экспертной оценки
- •Самореализующиеся прогнозы
- •Раздел 1.Основные модели краткосрочного прогноза
- •2.1. Упрощенные модели краткосрочного прогноза
- •2.1.1. Наивная модель на основе предыдущего значения показателя
- •2.1.2. Наивная модель на основе абсолютного прироста за предыдущий интервал времени
- •2.1.3. Наивная модель на основе коэффициента роста за предыдущий интервал времени
- •2.1.4. Наивная модель на основе простого среднего значения
- •2.1.5. Наивная модель на основе среднего абсолютного прироста
- •2.1.6. Наивная модель на основе среднего коэффициента роста
- •2.2. Модель прогноза на основе простого скользящего среднего
- •2.3. Модели прогноза на основе экспоненциальных средних
- •2.3.1. Однопараметрическая модель Брауна
- •2.3.2. Двухпараметрическая модель Хольта
- •2.3.3. Трехпараметрическая модель Хольта-Уинтерса
- •2.3.4. Двухпараметрическая модель Хольта с гипотезой Тейла-Вейджа
- •2.3.5. Трехпараметрическая модель Бокса-Дженкинса
- •2.4. Модели прогнозирования стационарных временных рядов
- •2.4.1. Модели авторегрессии
- •2.4.2. Модели скользящего среднего
- •2.4.3. Модели авторегрессии - скользящего среднего
- •Идентифицирующие свойства для корреляционных и автокорреляционных функций для модификаций модели arma
- •2.5. Модель arima для прогнозирования нестационарных временных рядов
- •Раздел 2.Проблемы выбора модели прогнозирования
- •3.1. Факторы, влияющие на выбор модели прогнозирования
- •Классы проблем и соответствующие им методы прогнозирования
- •3.2. Проблема точности прогноза
- •3.3. Комбинированные модели краткосрочного прогноза
- •3.3.1. Адаптивные селективные модели
- •3.3.2. Адаптивные гибридные модели
- •3.3.3. Общие принципы построения комбинированных моделей
- •Раздел 3.Исследование точности адаптивных гибридных моделей краткосрочного прогноза
- •4.1. Описание упрощённых гибридных моделей краткосрочного прогноза
- •4.1.1. Гибридная модель на основе базового набора из упрощённых моделей
- •4.1.2. Гибридная модель на основе базового набора из моделей на основе экспоненциальных средних
- •4.1.3. Гибридная модель на основе базового набора из моделей авторегрессии и моделей скользящего среднего
- •4.3. Исходные данные для расчётов
- •Характеристика особенностей исследуемых рядов
- •4.4. Обобщение и анализ исследования точности моделей краткосрочного прогноза
- •Степень точности прогнозов по mape
- •Наиболее и наименее точные модели прогноза по mape
- •Заключение
- •Раздел 4.Список использованной литературы
- •Раздел 5.Приложение
- •Прогнозные оценки курса доллара сша
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе абсолютного прироста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе коэффициента роста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Хольта-Уинтерса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Бокса-Дженкинса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели авторегрессии второго порядка ar(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего первого порядка ma(1)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего второго порядка ma(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели на основе упрощенных моделей
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей на основе экспоненциальных средних
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей авторегрессии и моделей скользящего среднего
- •Значения критериев точности прогноза
- •Значения критериев точности прогноза производства компьютеров
- •Значения критериев точности прогноза производства бензина
- •Значения критериев точности прогноза продаж хлебных изделий
- •Значения критериев точности прогноза производства мяса
- •Значения критериев точности прогноза производства мороженого
- •Значения критериев точности прогноза продаж оао «Связной сПб»
- •Значения критериев точности прогноза продаж в отдельной торговой точке оао «Связной сПб»
Сглаживание по нечётной базе
Сглаженный ряд рассчитывается по формуле: . В частности, если длина базы n=3, имеем: . Т.е., значение сглаженного ряда в момент t, определяется как среднее значений исходного ряда в тот же момент времени и в (n-1)/2 моменты времени до и после момента t.
Рис. 166 показывает сглаживание по базам в 3 и 5 периодов. Чем больше база – тем меньше длина сглаженных рядов.
Рис. 16. Скользящее среднее нечётной базы.
Сглаживание по четной базе
Перенести формулу сглаживания по нечетной базе на четную базу непосредственно не удаётся – непонятно к какому периоду относить усреднённые значения. В зависимости от целей сглаживания используют следующие подходы.
Отнесение результата сглаживания к моменту, разделяющему средние периоды.
. Если длина базы n=2, имеем: .
Данный способ часто используется в статистике, но неудобен тем, что исходный и сглаженный ряд несопоставимы, т.к. их значения относятся к различным периодам.
Отнесение результата сглаживания к последнему периоду.
. Если длина базы n=2, имеем: .
Сглаженный ряд, полученный данным способом, отстаёт от ряда, полученного предыдущим способом, на n/2-0.5 периода. Т.е., является смещённым. (На его основе, однако, можно определить форму тренда). Это сглаживание используется как один из индикаторов биржевой конъюнктуры.
MS Excel использует именно этот метод.
Отнесение результата сглаживания к среднему периоду расширенной базы сглаживания.
У четной базы нет среднего периода. Если расширить её на 1 период – средний период появится. Чтобы «количество» периодов осталось чётным, будем считать крайние периоды за полпериода.
.
При n=2 имеем: . При n=4 - и т.п.
Сглаженный ряд, полученный данным способом, идентичен сглаженному ряду, полученному первым способом и повторно сглаженным по базе = 2.
Данный способ получил наибольшее распространение.
Взвешенное сглаживание
В предыдущем методе крайние наблюдения включались в сглаживание с весами ½. Данный подход можно расширить, в зависимости от представлений о природе изучаемого явления. Например, если предполагается, что колебания могут быть вызваны случайными задержками передачи информации, - веса должны напоминать нормальное распределение. Если же предполагать наличие затухающего последействия (например – внесение удобрений), то веса должны убывать со временем. Выбор весов – задача содержательного исследования. «Нормальное» распределение иногда моделируется на основе треугольника Паскаля.
|
Треугольник Паскаля – в первой строчке и первом столбце содержит 1. Значение прочих ячеек определяется как сумма двух ячеек – сверху и слева. Сумма элементов диагонали треугольника из N элементов равна 2N-1. Очевидно, что для расчета весов используются только диагонали с нечётным числом элементов. |
При n=3 имеем: - то же, что и в предыдущем случае.
При n=5 имеем и т.п.
Достоинства и недостатки метода
Достоинства |
и недостатки |
простота, наглядность, лёгкость интерпретации |
Сокращение длины ряда при сглаживании |
Иногда может быть недостатком то, что:
Период влияние наблюдений конечен (в границах базы сглаживания)
В сглаживании участвуют как предыдущие, так и будущие наблюдения.
Прогнозирование на основе сглаживания
Сглаженный ряд для прогнозирования может быть использован по-разному.
Во-первых, для сглаженного ряда может быть построен тренд, на основе которого – прогноз. С одной стороны, тренд сглаженного ряда, по сравнению с трендом исходного, более точен, т.к. устранены выбросы. С другой стороны, он менее точен, т.к. сглаженный ряд короче (т.е. увеличивается горизонт прогноза).
Во-вторых, сглаженный ряд может быть рассмотрен как прогноз, если результат усреднения относить не к середине базы и даже не к её концу, а к какому-либо моменту за границами базы.
, где g – горизонт прогноза.
Данный прогноз целесообразен только для чисто колебательных процессов, при прогнозировании на 1 цикл вперёд (g=n).