- •Содержание
- •Введение
- •1. Парная корреляция и регрессия
- •1.1. Спецификация модели
- •1.2. Линейная корреляция и регрессия
- •1.3. Нелинейная регрессия
- •1.4. Проверка значимости линейного уравнения регрессии
- •1.5. Корреляция для нелинейной регрессии
- •1.6. Предпосылки метода наименьших квадратов
- •1.7. Обобщенный метод наименьших квадратов
- •2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.2. Спецификация модели
- •2.3. Частные уравнения регрессии
- •2.4. Выбор формы уравнения множественной регрессии
- •Оценка параметров уравнения множественной регрессии
- •2.6. Многошаговый регрессионный анализ
- •3.1.2. Способы выявления структурной неоднородности
- •3.2. Методы последовательного разбиения
- •3.3. Методы многомерной классификации
- •3.3.1. Мера сходства
- •3.3.2. Модели кластерного анализа
- •4.2. Числовые характеристики экономического развития
- •4.3. Состав динамического ряда
- •4.4. Моделирование одномерных динамических рядов
- •4.4.1. Типы экономического развития и их трендовые модели
- •4.4.2. Построение трендовых моделей
- •4.4.3. Сглаживание временных рядов
- •4.4.4. Моделирование тенденции временного ряда при наличии структурных изменений
- •4.4.5. Влияние автокорреляции на структуру временного ряда
- •4.5. Многомерные временные ряды
- •4.5.1. Сущность и особенности многомерных динамических рядов
- •4.5.2. Способы построения множественной регрессионной модели по временным рядам
- •5.1.2. Связь однородности статистической совокупности с типом моделей
- •5.2. Динамическое моделирование взаимосвязей в структурно-однородных совокупностях
- •5.2.1. Методы построения пространственно-динамических
- •Моделей
- •5.2.2. Выбор вида пространственно-динамической модели
- •5.2.3. Динамизация параметров связи
- •5.3.2. Построение динамических моделей на основе временных выборок
- •6. Системы эконометрических уравнений
- •6.1.Общие понятия и способы представления систем эконометрических уравнений
- •6.2. Структурная и приведенная формы модели
- •6.3. Проблемы идентификации структурной модели
- •6.4. Оценка параметров структурной модели
- •6.5. Двухшаговый метод наименьших квадратов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Оценка параметров авторегрессионных моделей
- •7.3. Интерпретация параметров модели с распределенным лагом
- •7.4. Интерпретация параметров модели авторегрессии
- •7.5. Изучение структуры лага и выбор вида модели с распределенным лагом
- •7.6. Лаги Алмон
- •8. Статистическое прогнозирование динамических рядов
- •8.1. Сущность и виды статистических прогнозов
- •8.2. Методы статистического прогнозирования
- •8.2.1. Экстраполяция динамических рядов
- •8.2.2. Прогнозирование на основе экспоненциального сглаживания
- •8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
- •Список литературы
8.2. Методы статистического прогнозирования
8.2.1. Экстраполяция динамических рядов
С точки зрения математики данный метод прогнозирования сводится к определению значения, которое будет принимать переменная величина в момент времени , если известен ряд ее значений за предыдущие периоды (моменты) времени и т.д.
Экстраполяция – это распространение тенденций, выявленных в прошлом, на будущий период. Данный метод реализует пассивный прогноз. Кроме того, необходимо учитывать основные условия допустимости и правомерности экстраполяции, в числе которых выделяют следующие:
достаточная длительность ретроспективного периода;
исследуемый процесс должен быть достаточно устойчивым к внешним воздействиям;
не ожидается сильных внешних воздействий на исследуемый процесс.
Функционирование социально-экономических систем, за очень редким исключением, не удовлетворяет этим предположениям. Поэтому ограничена область практического применения экстраполяции начальными этапами разработки методик прогнозирования и горизонтом прогнозирования (не далее краткосрочного прогноза).
Одной из разновидностью данного метода является экстраполяция на основе уравнений тренда.
Если n – это ретроспективный период (период сглаживания, по данным которого построено уравнение тренда), а l – горизонт прогнозирования, то прогнозное значение может быть определено по функции соответствующего тренда (например, для линейной функции как )
Абсолютная ошибка прогноза по сравнению с фактическим значением может быть определена следующим образом:
.
Относительная ошибка прогноза рассчитывается по формуле
.
В случае построения интервального прогноза определяется величина доверительного интервала с границами
,
где – точечный прогноз;
– табличное значение t-критерия Стьюдента при числе степеней свободы и доверительной вероятности ;
– средняя квадратичная ошибка аппроксимации по уравнению тренда (п.4.4.2).
Если фактическое значение не выходит за границы доверительного интервала, то можно говорить о качественном прогнозировании.
В систему математических методов экстраполяции входят также приемы, основанные на средних характеристиках динамических рядов (п.4.2.), которые могут использоваться только лишь при условии неизменности этих величин.
В частности, экстраполяция на основе среднего значения ряда за ретроспективу предполагает расчет прогнозного значения по следующей формуле:
,
где – средний уровень ряда (выражения (4.9) – (4.11)).
Границы доверительного интервала (при небольшом числе наблюдений) рекомендуется определять следующим образом:
,
где – средняя квадратическая ошибка среднего уровня ряда, определяемая по формуле
.
В свою очередь, среднее квадратичное отклонение S для выборки равно
.
Интервал учитывает неопределенность, связанную с оценкой среднего уровня ряда, и его применение увеличивает степень надежности прогноза, но при этом не учитывается горизонт прогнозирования. Для учета вариации уровней ряда относительно среднего значения в будущем (по аналогии с ретроспективой) при идентификации доверительного интервала общая дисперсия, связанная с колебаниями выборочной средней и с варьированием индивидуальных значений вокруг средней, должна быть определена как .
Экстраполяция по среднему абсолютному приросту может применяться только лишь к линейным трендам. Причем, должно выполняться неравенство
,
где – остаточная дисперсия, необъясняемая экстраполяцией по среднему абсолютному приросту;
– сумма всех цепных абсолютных приростов (базисный абсолютный прирост – выражения (4.1)).
Прогнозируемое значение определяется по соотношению вида
,
где – уровень ряда, принятый за базу экстраполяции (обычно последний);
l – период прогноза;
– средний абсолютный прирост (формула (4.7)) .
Экстраполяция по среднему темпу роста - (формула (4.8)) используется в том случае, если ряд изменяется по показательному или экспоненциальному тренду. Прогнозное значение определяется по формуле
.
Параметр имеет тот же смыл, что и в предыдущей формуле.
Основной недостаток методов экстраполяции связан с тем, что качество прогноза оценивается только после того, как произошло исследуемое событие, т.е. апостериорно.