- •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
8.2.2. Прогнозирование на основе экспоненциального сглаживания
Данный метод прогнозирования позволяет оценить качество прогноза до того, как произошло событие, т.е. априорно.
Для прогнозирования используются полиномы, коэффициенты которых определяются на основе значений экспоненциальных средних, причем вид полинома определяется видом уравнения тренда, построенного при сглаживании ряда и достаточно точно аппроксимирующим эмпирические данные. Например, для линейного тренда прогноз осуществляется по уравнению .
Согласно теореме Брауна [5], коэффициенты прогнозирующих полиномов линейно выражаются через экспоненциальные средние по результатам дисконтированного МНК, критерий оценки параметров которого выглядит следующим образом (в предположении, что значение ряда в момент времени является последним):
.
Решение систем соответствующих линейных уравнений позволяет оценить коэффициенты прогнозирующих полиномов. Например, для линейного полинома коэффициенты рассчитываются как
,
,
где и – экспоненциальные средние для момента времени первого и второго порядков соответственно.
Для параболического тренда прогнозирующий полином имеет вид , а коэффициенты можно рассчитать по следующим формулам:
,
,
.
Абсолютная ошибка прогноза определяется следующим образом:
где – среднее квадратичное отклонение, рассчитанное по значениям отклонений фактических значений ряда от текущих прогнозируемых.
Относительная ошибка прогноза составляет величину, рассчитываемую по формуле
.
8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
Для прогнозирования рекомендуется использовать только значимые уравнения регрессии. Реализация данного метода сводится к определению прогнозного значения результативного показателя по прогнозируемым значениям факторов, которые, в свою очередь, могут определяться различными методами (на основе экстраполяции, экспоненциального сглаживания и т.д.).
Качество прогноза проверяется апостериорно и оценивается с помощью абсолютных и относительных ошибок (по аналогии с экстраполяцией).
Точечный прогноз может быть дополнен интервальной оценкой предсказанного значения результативного показателя в соответствии с формулой (1.13) для линейных трендов.
Прогнозирование по авторегрессионным моделям осуществляется поэтапно, т.е. со сдвигом на один уровень временного ряда вперед, и используется, главным образом, для предсказания случайной составляющей динамического ряда.
Пусть в анализируемом периоде n наблюдений. Тогда
и т.д.,
где – коэффициенты авторегрессионной модели;
l – порядок авторегрессионной модели.
Границы доверительного интервала можно оценить следующим образом:
,
где – результат точечного прогноза ;
– квантили распределения Стьюдента при заданной доверительной вероятности p и числе степеней свободы ;
– среднеквадратическое отклонение, рассчитанное для случайных остатков авторегрессионной модели
,
где – значение автокорреляционной функции, вычисленное для (значения лага), ;
– среднеквадратическое отклонение для эмпирического динамического ряда .
Абсолютная ошибка прогноза , таким образом, определяется как
.
Относительную ошибку прогноза можно рассчитать по формуле
.