- •1.Основные понятия и главные направления прогнозирования.
- •2. Классификация прогнозов. Основные принципы прогнозирования.
- •3. Классификация методов прогнозирования.
- •4. Область применения методов экспертных оценок. Требования, предъявляемые к экспертам. Самооценка экспертов.
- •5. Обработка и анализ результатов опроса экспертов
- •6. Метод “мозговой атаки” (“мозгового штурма”).
- •7. Метод «Дельфи»
- •8. Классификация статистических методов прогнозирования.
- •9. Выравнивание врем.Ряда. Прогноз. На основе скольз.Сред. И экспоненц.Взвешенного сред.
- •10. Аналитическое выравнивание временного ряда. Методы выбора формы тренда.
- •4. Выбор на основе законов дифференциального роста.
- •11. Сезонные колебания уровней временного ряда.
- •12. Сущность, достоинства и недостатки экстраполяции. Простейшие приемы экстраполяции.
- •13. Экстраполяция тренда. Прогнозирование сезонных явлений.
- •14. Прогнозирование по огибающим кривым. Логистические кривые развития технологий
- •15. Сущность, условия применения корреляционо-регрессионного анализа. Автокорреляция. Критерий Дарбина-Уотсона.
- •1. Проблема включения факторов в модель
- •16. Производственные функции. Кривые освоения.
- •17. Апостериорные и априорные оценки точности прогнозов. Надежность прогнозов.
- •18. Методы логического моделирования.
- •19. Прогнозирование на основе написания сценариев, матриц взаимодействия, морфологического анализа.
- •20. Прогнозирование на основе построения сетевой модели, "дерева целей".
- •21. Прогнозирование на основе построения "дерева решений".
- •22. Прогнозирование динамики научно-технических направлений, уровня технического решения и сроков реализации.
- •23. Прогнозирование научно-технического прогресса: особенности современного этапа, типичные периоды упреждения.
- •24. Методы прогнозирования фундаментальных и прикладных исследований, разработок, подготовки и серийного производства.
- •25. Прогнозирование экономического роста. Экстенсивный и интенсивный рост.
- •26. Методы прогнозирования спроса: на основе экспертных оценок, с использованием коэффициента эластичности, факторные модели, нормативный подход.
15. Сущность, условия применения корреляционо-регрессионного анализа. Автокорреляция. Критерий Дарбина-Уотсона.
Статистическая зависимость предполагает, что каждому значению одной величины соответствует множество случайных значений другой. Две случайных величины называются корреляционно связанными, если математическое ожидание одной из них меняется в зависимости от другой
Основная идея КА - каждое экономическое явление находится в тесной связи и зависимости от целого ряда других, каждый показатель можно рассматривать как функцию многих переменных: y=f(x1, x2, ..., xm),
КА позволяет количественно оценить тесноту связи. Она определяется с помощью коэффициента корреляции и корреляц.отношения
Регр.анализ - построение уравнения регрессии, параметры которой строятся на основе метода наименьших квадратов.
Условия выборки: однородность исходных данных, выборки исх.данных должны принадлежать нормально распределенной совокупности.
Достоинства: зависимость явлений от нескольких факторов наиболее обосновано, чем анализ тренда, позволяет экспериментировать
Недостатки: сложность построения
Проблемы КРА:
1. Проблема включения факторов в модель
2. Автокорреляция - есть связи между предыдущими и последующими уравнениями ряда. Оно рассчитывается на основе Дарвина Уотсона , если d→2, то автокорреляции нет
Способы ухода от автокорреляции:
оценивается взаимосвязь не самих уравнений, а отклонений от тренда
в качестве независимых переменных вводится время. yt=a+a1yt-1
строится автокорреляционная модель
3.При КРА необходимо исключить мультиколлениарность (-взаимосвязь причинных факторов)
16. Производственные функции. Кривые освоения.
Производственные функции - это регрессионные модели, характеризующие зависимость между затратами ресурсов и выпуском продукции.
Ф-ия Кобба-Дугласа проблема исследования возможностей замены факторов.
y = a * Fα * Z1-α *evt, F – капиталл, Z – труд, α – коэффициент эластичности, evt – темпы роста (учитывается фактор эволюции)
Предназначены для моделирования процесса производства некоторой хозяйственной единицы: отдельной фирмы, отрасли или всей экономики государства в целом. С их помощью решаются задачи:
оценки отдачи ресурсов в производственном процессе; прогнозирования экономического роста; разработки вариантов плана развития производства;
оптимизации функционирования хозяйственной единицы при условии заданного критерия и ограничений по ресурсам.
Кривые освоения –используются для определения связи между трудоёмкостью ед. продукции и масштабами производства продукции в период её освоения. Или описание анализа взаимосвязи технического параметра и кумулятивного объёма выпуска изделия: yx = axb, x – кумулятивный объём выпуска, y – трудоёмкость единицы продукции, если x = 1, то yx = a Кривая Райха (трудоем-коммулятив.выпуска)
17. Апостериорные и априорные оценки точности прогнозов. Надежность прогнозов.
Оценка качества стат. прогнозов оценивается 2 способами: точность, надежность.Точность прогноза (апостериорная и априорная) – мера соответствия прогнозируемой величины фактическому ее значению.
О точности принято судить по величине ошибки прогноза – разность между прогнозируемыми и фактическими результатами. Используется 2 вида оценок:
Апостериорные – оценки которые можно получить если период упреждения уже закончился и известны фактические значения переменных:
абсолютные:- абсолютные ошибки прогноза (разность между прогн. и фактич)
- средняя арифметич ошибка прогноза
- средне квадратическая ошибка.
недостатки: величина ошибки зависит от размерности.
Значения все вышеперечисленных показателей зависят от масштаба измерений, который в ряде случаев, в частности при межобъектных сопоставлениях, уменьшает объективность оценок. Для того, чтобы избежать это используют относительные показатели измерения ошибки прогноза, выраженные либо в долях единицы, либо в процентах.
относительные показател:
* 100% Относительная ошибка прогноза
Средняя относительная ошибка прогноза
Если Е<10%, то прогноз имеет высокую точность.
Если Е<25%, хорошая точность.
Если Е<50%, неудовлетворительный прогноз.
Априорные оценки точности прогноза – это оценки адекватности или достоверности. 1) Априорную точность можно связать с размером доверительного интервала. Модель дающая более узкий доверительный интервал при одной и той же доверительной вероятности – более точная. Использование ретроспективного прогноза.
2). Для точечных оценок можно использовать показатели рассчитанных на основе данных за базисный период:
а) средне относительная ошибка
б)среднелинейное отклонение
в) среднеквадратическое отклонение
f(t) – тренд, f(x) – уравнение регрессии.
3). Проверка модели на основе ретроспективного прогноза. Базовый период делится на части и проверяется 2 часть. На основе первой части строим модель, на основе второй проверяем ее достоверность.