- •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»
1.8. Прогнозирование средствами матстатистики
Прогнозирование средствами мат. статистики производится на основе анализа вариационных рядов и их связей.
Варьирование - изменение признака от наблюдения к наблюдению. (Например, варьирование веса или роста в к.-л. группе людей).
Вариационный ряд – количественная характеристика варьирования признака.
Прогнозирование представляет собой суждение на основе знания:
совместного изменения двух (или более) признаков в ряде наблюдений
известного значения одного признака (фактора) (или более) в новом наблюдении о наиболее вероятном значении второго признака.
То есть Фактор[ы] – признак[и] на основе которого производится предсказание значения другого признака - регрессии.
Для выработки такого суждения необходимо:
описать закономерность связи между регрессией и факторами (в виде: математической функции; перечисления или алгоритма)
оценить силу этой закономерности - степень зависимости между признаками (фактором и регрессией). Количественная оценка такой зависимости существенно определяется шкалой измерения признаков.
Зависимость применимости метода моделирования от шкалы
Количество может быть измерено в различных шкалах.
Шкала |
Допустимая операция |
Пример |
Номинальная |
= |
Имена |
Порядковая |
= <> |
Баллы |
Интервальная |
= <> + - |
Температура, Прибыль |
Абсолютная |
= <> + - * / |
Вес, Выручка |
Номинальная шкала
Заключение о связи признаков можно получить графическим (зрительным / визуальным) и расчётным (аналитическим) путём. Взаимосвязь признаков номинальной шкалы отображается Пузырьковой диаграммой. Из двух признаков один рассматривается как независимый (фактор) – ось абсцисс(X), а другой как определяемый им (зависимый) – ось ординат(Y). Деление признаков на «независимый» и «зависимый» зависит от исследователя.
Рисунок 9 Пузырьковые диаграммы признаков «Район» и «Орг.-правовая форма»
Для ответа на вопрос есть ли связь между признаками, нужно сопоставить диаграммы с крайними случаями, когда признаки независимы или зависимы полностью.
Рис. 10 Предельные случаи Пузырьковой диаграммы
Из примера видно, что зависимость одного признака от второго и обратная зависимость второго от первого просматриваются различным образом. Количественная мера близости для номинальной шкалы – условная энтропия: .
Прогнозом является суждение о том, что если у нового объекта известно значение одного признака (фактора), то значение другого признака он принимает с определённой вероятностью. Например, если фирма Приморского района (3), то это скорее всего ООО (1) и вряд ли АООТ(5). Если же фирма – ИЧП, то, почти наверняка из Приморского р-на.
Ранговая шкала
Взаимосвязь ранговых признаков отображается на двухосной (лестничной) диаграмме. Каждому объекту соответствует отрезок (ступенька лестницы), связывающий значения признаков этого объекта.
Рис. 11 Двухосная (лестничная) диаграмма
Нарушение согласованности в порядке варьирования признаков (инверсия порядков – Inv) отображается пересечением ступенек лестницы. Чем меньше инверсий – тем сильней однонаправленная связь признаков, чем больше – тем сильнее разнонаправленная связь. Связь отсутствует, когда инверсий – «в среднем» от максимально возможного числа, равного N*(N-1)/2 , где N-число объектов.
Рис. 12 Предельные случаи двухосной диаграммы
Количественная мера близости для ранговой шкалы – [ненормированный] коэффициент ранговой корреляции , показывающий долю согласованных рангов. Для того, что бы разнонаправленному ранжированию соответствовали отрицательные значения коэффициента, последний преобразуют в [нормированный] коэффициент ранговой корреляции: . Недостатком нормированного коэффициента является отсутствие содержательной интерпретации величины.
Прогнозом являются суждения о том, что если у нового объекта улучшается один признак, то другой:
скорее улучшится (при нормированном коэффициенте [ранговой корреляции] >0) или ухудшится (в противном случае) и
улучшится с вероятностью, равной ненормированному коэффициенту (если вероятность <0,5 – значит ухудшится).
Например, если мы выбираем гостиницу подороже, то уровень комфорта скорее всего возрастёт (r норм. = 0,33 >0) с вероятностью 67% (= r ненорм.).