- •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»
3.2. Проблема точности прогноза
Одно из фундаментальных положений прогностики формулируется следующим образом: предсказуемы только общие свойства и закономерности, отражающие устойчивые причинно-следственные отношения. Однако и для них не существует абсолютной детерминированности, поскольку всегда имеется неопределенность конкретной реализации закономерностей, которая не может быть разрешена в процессе прогнозирования [20, с. 90].
К наиболее общим источникам неопределенности, характерным для всех областей знания, относятся [20, с. 90-91]:
невозможность учета всех взаимодействий, определяющих эволюцию изучаемого объекта;
неполнота и неточность знаний о законах природы и общества, так как любая научная теория, в которой формулируются законы, является абстракцией и упрощением действительности;
неоднозначность причинно-следственных отношений (особенно в социально-экономических процессах), так как жесткие причинно-следственные отношения, когда причина в разных условиях порождает одно и то же следствие, являются идеализацией действительности.
Потому точный прогноз невозможен. Прогнозировать можно только область возможных состояний, границы которой определяются величиной неразрешаемой объективными методами неопределенности [20, с. 90].
Характеристиками качества модели, выбранной для прогнозирования, являются критерии (показатели) точности. Они описывают значения случайных ошибок, полученных при использовании модели. Поэтому чтобы судить о качестве выбранной модели, необходимо проанализировать систему показателей, характеризующих адекватность и точность модели [6, с. 79].
Критерии точности краткосрочного точечного прогноза делятся на три группы: абсолютные, сравнительные и качественные [4, с. 198]. В настоящее время в качестве критериев точности прогноза, как правило, используются абсолютные критерии.
К абсолютным критериям точности прогноза относятся критерии, которые позволяют количественно определить величину ошибки прогноза в единицах измерения уровней ряда или в процентах [4, с. 199].
Ошибка прогноза – величина, характеризующая расхождение между фактическим и прогнозным значением показателя [6, с. 79].
К наиболее часто используемым абсолютным критериям точности краткосрочного прогноза относятся следующие критерии.
Абсолютная ошибка прогноза для каждого момента времени [3, с. 47; 4, с. 199; 6, с. 79; 19, с. 428]
. (26)
Относительная ошибка прогноза в процентах для каждого момента времени [4, с. 199; 5, с. 80]
. (27)
Средняя квадратическая ошибка прогноза [3, с. 47; 4, с. 199; 6, с. 81; 19, с. 429]
, (28)
где - количество моментов (интервалов) времени, по которым оценивается точность прогноза.
Квадрат величины (28) называется средним квадратом ошибки (mean squared error, MSE) [18, с. 19; 19, с. 429]. Он равен
. (29)
Среднее абсолютное отклонение (mean absolute derivation, MAD) прогноза [3, с. 47; 4, с. 199; 6, с. 80, 18, с. 43; 19, с. 428]
. (30)
Использование этого показателя имеет смысл, когда исследователю необходимо оценить ошибку прогноза в тех же единицах измерения, какие имеют уровни динамического ряда [3, с. 47].
Средняя процентная ошибка (mean percentage error, MPE) прогноза [3, с. 47; 19, с. 429]
. (31)
Средняя процентная ошибка характеризует смещение прогноза. При несмещенном прогнозе эта ошибка близка к нулю, при завышенном прогнозе ошибка имеет значительное положительное значение, при заниженном – значительное отрицательное [3, с. 47].
Средняя абсолютная ошибка в процентах (mean absolute percentage error, MAPE) [3, с. 47; 4, с. 200; 6, с.80; 18, с. 43; 19, с. 429]
. (32)
Приведенные критерии точности прогноза позволяют осуществить сравнение результатов, полученных различными методами прогнозирования, и выбрать наиболее приемлемый метод для решения конкретной прогнозной задачи [3, с. 47].
Истолкование точности прогноза для ошибок прогноза, выраженных в процентах, приведено в табл. 18, заимствованной из [4, с. 200].
Таблица 18
Истолкование точности прогноза
Диапазон значений (или ) |
Истолкование точности прогноза |
|
Высокая точность |
|
Хорошая точность |
|
Удовлетворительная точность |
|
Неудовлетворительная точность |
Если какие-то значения временного ряда равны нулю ( ), то значения критериев (27), (31) и (32) будут бесконечно большими величинами. В таких случаях при вычислении значений критериев (31) и (32) следует пропустить нулевые значения, уменьшая при этом и число на количество пропущенных значений временного ряда [4, с. 200].
При выборе критериев точности краткосрочного прогноза необходимо учитывать следующие обстоятельства:
выбор критериев точности зависит от задач исследования при анализе точности прогнозов [4, с. 205];
проверка точности одного прогноза мало что может дать исследователю, так как на формирование исследуемого явления влияет множество разнообразных факторов [4, с. 205; 21, с. 178-179];
полное совпадение или значительное расхождение отдельных прогнозов и их реализаций может быть следствием просто особо благоприятных (или неблагоприятных) стечений обстоятельств [4, с. 205; 21, с. 179];
о качестве прогнозов применяемых методик и моделей можно судить лишь по совокупности сопоставлений прогнозов и их реализаций [4, с. 205; 21, с. 179].
При этом следует отметить, что чисто формальных подходов к выбору методов и моделей прогнозирования не может быть. Успешное применение статистических методов прогнозирования на практике возможно лишь при сочетании знаний в области самих методов с глубоким знанием объекта исследования и с содержательным анализом изучаемого явления [6, с. 81].
Одним из способов решения проблемы точности модели является применение комбинированных моделей.