14. Модели прогнозирования экономических процессов:

• Трендовые модели на основе кривых роста (прогноз развития изучаемого процесса на предстоящий промежуток времени);

• Адаптивные модели прогнозирования (модели дисконтирования данных, способные быстро приспосабливать свою структуру и параметры к изменению условий):

• Модель Брауна (модель экспоненциального сглаживания):

• нулевого порядка (описывает процессы, не имеющие тенденции развития);

• первого порядка (Y(t+k)= A_Q +A₁k).

• второго порядка (отражает развитие в виде параболической тенденции);

• Модель Хольта;

• Модели авторегрессии (текущее значение процесса представляется как линейная комбинация предыдущих его значений и случайной компоненты).

4. Трендовые модели в Excel.

15. Для построения трендовой модели в программе Excel используют следующие средства:

• "Мастер диаграмм" - помощником в построении диаграмм, с помощью этого мастера можно легко, пошагово построить модель линии тренда:

• При выборе Полиномиальной линия тренда (ввести в поле Степень наибольшую степень для независимой переменной);

• При выборе Скользящей линии тренда (введите в поле Период число периодов, используемых для расчета скользящего среднего);

• Функция «Тенденция» можно найти прогноз по методу линейной аппроксимации;

• Функция «Регрессия» - применяется для подбора графика для набора наблюдений с помощью метода наименьших квадратов;

• Двухвыборочный F-тест -применяется для сравнения дисперсий двух генеральных совокупностей;

• Двухвыборочный t-тест - проверяет равенство средних значений генеральной совокупности по каждой выборке;

• «Анализ Фурье» - применяется для решения задач в линейных системах и анализа периодических данных на основе метода быстрого преобразования Фурье;

• «Скользящее среднее» - применяется для расчета значений в прогнозируемом периоде на основе среднего значения переменной для указанного числа предшествующих периодов;

• Дисперсионный анализ - выбирается с учетом числа факторов и имеющихся выборок из генеральной совокупности:

• Однофакторный дисперсионный анализ;

• Двухфакторный дисперсионный анализ с повторениями;

• Двухфакторный дисперсионный анализ без повторений;

• «Корреляция» - вычисляют коэффициент корреляции между двумя переменными измерений;

• «Ковариация» - вычисляет те же значения;

• «Экспоненциальное сглаживание» - применяется для предсказания значения на основе прогноза для предыдущего периода, скорректированного с учетом погрешностей в этом прогнозе.

16. Уравнение линейной регрессии описывается простейшей функциональной зависимостью в виде уравнения прямой линии и характеризуется прозрачной интерпретацией параметров модели (коэффициентов уравнения). Правая часть уравнения позволяет по заданным значениям регрессора (объясняющей переменной) получить теоретические (расчетные) значения результативного (объясняемого) переменного. Эти значения иногда называют также прогнозируемыми, т.е. получаемыми по теоретическим формулам.

Уравнение линейной регрессии имеет вид: y=a+b*x.

Уравнения нелинейной регрессии- может быть нелинейной относительно включенных в анализ объясняющих переменных, но линейной по оцениваемым параметрам. А может быть регрессия нелинейная по оцениваемым параметрам.

Уравнения нелинейной регрессии имеет вид:

Можно осуществить регрессию в виде линейной комбинации C1f1(x)+C2f2(x) + ..., где fi(x) — любые функции пользователя, a Ci — подлежащие определению коэффициенты. Кроме того, существует регрессия более общего вида, когда комбинацию функций и искомых коэффициентов задает сам пользователь - регрессии в форме пользователя.