- •1.Парна лінійна регресія 26
- •Аналіз якості моделі: перевірка статистичної значущості оцінок параметрів економетричної моделі.
- •Визначення коефіцієнта еластичності
- •3.Методи прогнозування часових рядів: методи соціально - економічного прогнозування.
- •1. Основні задачі економетрії.
- •2. Емпірична модель множинної лінійної регресії.
- •3. Гетероскедастичність і зважений метод найменших квадратів.
- •1. Особливості економічних спостережень і вимірів.
- •2.Парна лінійна регресія.
- •3. Розрахунок довірчих інтервалів для оцінок параметрів із заданою надійністю.
- •Визначення параметрів вибраного рівняння.
- •Визначення коефіцієнта еластичності
- •Розрахунок прогнозного значення регресанду та побудова для нього із заданим рівнем значущості довірчих інтервалів.
- •1.Особливості математичного моделювання
- •2.Проведення кореляційного аналізу за допомогою ms Excel
- •3. Методи прогнозування часових рядів: методи соціально-економічного прогнозування
- •Основні дефініції економіко-математичного моделювання.
- •Узагальнений метод найменших квадратів.
- •Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за аналітичними методами.
- •1.Парна лінійна регресія
- •2.Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера
- •3.Перевірка гіпотези про існування тренда
- •1.Сутність моделювання як методу наукового пізнання.???
- •3.Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за механічними методами.
- •Особливості математичного моделювання.
- •2.Проведення кореляційного аналізу за допомогою Microsoft Excel.
- •3.Методи прогнозування часових рядів: методи соціально-економічного прогнозування.
- •1. Етапи економіко-математичного моделювання
- •2. Прогнозування значень залежної змінної
- •3. Гетероскедастичність і зважений метод найменших квадратів
- •Елементи класифікації економіко-математичних моделей
- •2. Специфікація моделі
- •3. Розрахунок прогнозного значення регресанду та побудова для нього із заданим рівнем значущості довірчих інтервалів
- •Принципи математичного моделювання.
- •2.Загальна лінійна економетрична модель.
- •1.Основні дефініції економіко-математичного моделювання
- •2. Узагальнений метод найменших квадратів
- •3. Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за аналітичними методами
- •1.Особливості економічних спостережень і вимірів.
- •2. Економетричний аналіз лінійної функції парної регресії в ms Exel.
- •3.Основні поняття і попередній аналіз рядів динаміки: основні характеристики динаміки часового ряду.
- •Основні задачі економетрії
- •Розрахунок довірчих інтервалів для оцінок параметрів із заданою надійністю
- •Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за середніми характеристиками.
- •1.Парна лінійна регресія
- •2.Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера.
- •3.Перевірка гіпотези про існування тренда
- •Метод найменших квадратів
- •Визначення дисперсій оцінок параметрів та їх стандартних помилок.
- •1.Випадкові збудники в рівнянні лінійної регресії.
- •2.Побудова моделі множинної регресії.
- •1.Етапи побудови економетричної моделі.
- •2. Визначення часткових коефіцієнтів еластичності.
- •3. Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за аналітичними методами.
- •2. Емпірична модель множинної лінійної регресії.
- •Визначення параметрів вибраного рівняння
- •Суть гетероскедастичності
- •3.Основні аспекти поняття і попередній аналіз рядів динаміки: основні характеристики динаміки часового ряду
- •1. Аналіз якості моделі: перевірка загальної якості рівняння регресії.
- •2. Моделі з порушенням передумов використання звичайного методу найменших квадратів.
- •3. .Перевірка гіпотези про існування тренда.
- •Аналіз якості моделі: довірчі інтервали для оцінок параметрів економетричної моделі.
- •2.Побудова моделі множинної регресії
- •3.Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за середніми характеристиками.
- •Специфікаціямоделі.
- •Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за аналітичними методами.
- •1. Сутність моделювання як методу наукового пізнання.
- •2.Гомоскедастичні та гетероскедастичні моделі.
- •1.Елементи класифікації економіко-математичних моделей.
- •3.Узагальнений метод найменших квадратів.
- •Особливості математичного моделювання.
- •Аналіз якості моделі: перевірка загальної якості рівняння регресії.
- •Визначення дисперсії оцінок параметрів та їх стандартних помилок.
- •1. Принципи математичного моделювання.
- •2. Економетричний аналіз лінійної функції парної регресії в ms Exel.
- •1.Основні дефініції економіко-математичного моделювання.
- •2. Аналіз якості моделі: перевірка статистичної значущості оцінок параметрів економетричної моделі.
- •3. Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера.
- •1. Етапи економіко-математичного моделювання
- •2. Прогнозування значень залежної змінної.
- •3. Моделі з порушенням передумов використання звичайного методу найменших квадратів.
- •2.Умови Гауса-Маркова.
- •3.Загальна лінійна економетрична модель.
- •Основні задачі економетрії
- •Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера.
- •Основні поняття та попередній аналіз рядів динаміки: поняття часового ряду
- •1. Сутність моделювання як методу наукового пізнання.
- •2. Умови Гауса-Маркова.
- •3.Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за механічними методами.
- •1. Етапи економіко-математичного моделювання
- •2. Прогнозування значень залежної змінної
- •3. Гетероскедастичність і зважений метод найменших квадратів
- •1.Елементи класифікації економіко-математичних моделей
- •2.Специфікація моделі
- •3.Розрахунок прогнозованого значення регресанту та побудова для нього із заданим рівнем значущості довірчих інтервалів.
- •1. Принципи математичного моделювання.
- •2. Загальна лінійна економетрична модель.
- •3. Основні поняття і попередній аналіз рядів динаміки: систематичні та випадкові компоненти часового ряду.
- •1.Особливості економічних спостережень і вимірів.
- •2. Економетричний аналіз лінійної функції парної регресії в ms Exel.
- •3.Основні поняття і попередній аналіз рядів динаміки: основні характеристики динаміки часового ряду.
- •1. Основні задачі економетрії.
- •2. Розрахунок довірчих інтервалів для оцінок параметрів із заданою надійністю.
3.Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за механічними методами.
Механічні методи згладжування часових рядів використовують фактичні значення сусідніх рівнів ряду і не досліджують аналітичний вид згладженої функції. Вони мають механізм автоматичного налагодження на зміну досліджуваного показника. Завдяки цьому модель постійно пристосовується до зміни інформації й наприкінці інтервалу прогнозової бази відображає тенденцію, що склалася на поточний момент. До механічних методів належать: згладжування по двох точках, метод простої ковзкої середньої, метод зваженої ковзкої середньої, метод експоненційного згладжування.
Метод ковзної середньої ( – «moving average»).
Згладжування за допомогою ковзної середньої ґрунтоване на тому, що в середніх величинах взаємно гасяться випадкові відхилення. Саме зменшення випадкового розкиду (дисперсії) якраз і означає згладжування відповідної траєкторії.
При згладжуванні за допомогою ковзної середньої початкові рівні часового ряду замінюють його середніми (згладженими) величинами , розрахованими для певної кількості рівнів ряду. Кількість даних, які входять до інтервалу, називають порядком ковзної середньої.
.
Для визначення згладжених значень у перших і останніх крайніх точках усього часового ряду можна використати відповідні значення локально апроксимаційних поліномів, побудованих, відповідно, за першими та останніми точками часового ряду .
Точніші результати згладжування дає застосування зваженої ковзної середньої. Її оцінку в середині кожного інтервалу згладжування описує поліном р-го ступеня:
.
Параметри цього рівняння знаходять за методом найменших квадратів. Ковзну середню в обраному інтервалі визначають як зважене середнє усіх попередніх рівнів, причому ваги спостережень мають неоднакові значення.
Метод ковзної середньої набув поширення для короткотермінового прогнозування. За невеликої кількості спостережень метод часто призводить до викривлення тенденцій, а вибір величини інтервалу згладжування важко обґрунтувати, хоча від цього залежить форма кривої. Одночасно зі зменшенням дисперсії у згладженому ряду можуть з’явитися систематичні коливання, зумовлені автокореляцією його послідовних значень аж до порядку (ефект Слуцького-Юла), тобто методи ковзної середньої можуть спричинити автокореляцію залишків, навіть якщо вона була відсутня у початкових даних.
Метод експоненціального згладжування.
Метод експоненціального згладжування дає можливість описати такий перебіг процесу, коли найбільшої ваги надають останньому спостереженню, а вага решти спостережень спадає геометрично. Так, для спостережень , прогноз наступного значення має вигляд:
, ,
де підсумок усіх ваг дорівнює 1, а – параметр згладжування.
Практичний розрахунок експоненціальної середньої здійснюють за рекурентною формулою:
або ,
тобто в розрахунку нової експоненціальної середньої беруть попередню експоненціальну середню та частку від різниці між попереднім спостереженням і його згладженим значенням, тобто похибки .
Використання методу експоненціального згладжування передбачає розв’язання трьох питань: вибір постійної згладжування , вибір початкового рівня згладжування ряду , вибір початкового моменту згладжування (довжини бази згладжування). Аналітичного розв’язку поставлених завдань наразі не існує, і він навряд чи можливий. Вибір характеристик згладжування має ґрунтуватися на експериментальних розрахунках і здійснюватися в кожному конкретному випадку по-різному.
Вибір параметра згладжування є основною та доволі складною проблемою. Для різних значень результати прогнозування відрізнятимуться. Якщо значення близьке до одиниці, то під час прогнозування зважають здебільшого на основному вплив останніх спостережень; якщо близьке до нуля то вплив рівнів ряду спадає повільно, що вможливлює врахування попередніх значень.
Від вибору початкового рівня згладжування залежить поведінка наступної згладженої послідовності. Найчастіше він або дорівнює значенню першого рівня ряду , або береться на рівні середньої арифметичної ряду. Зазначимо, що чим довший ряд, тим менший вплив на результат згладжування справляє вибір .
Вибір початкового моменту згладжування (довжини бази згладжування). Проблема вибору початкової точки згладжування зумовлена від проблемою вибору сталої згладжування . Чим ближче початкова точка до поточної, тим менше інформації знадобиться для побудови прогнозу і тим ближче до 1; чим далі початкова точка до поточної, тим менш чутливим буде прогноз до нових даних, і тим ближче до 0.
Метод експоненціального згладжування застосовують під час короткотермінового прогнозування. Для побудови прогнозу необхідно задати лише початкову оцінку прогнозу, подальші розрахунки здійснюються автоматично мірою надходження нових даних спостережень, і прогноз не потрібно обчислювати спочатку. За цим методом згладжування не втрачаються ані початкові, ані останні рівні заданого часового ряду, тут немає точки, на якій ряд обривається. Чутливість експоненціально зваженого середнього з метою підвищення адекватності прогнозової моделі можна в будь-який момент змінити, якщо зробити іншою величину
Білет №2