- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
7.3. Прогнозирование с помощью методов экстраполяции
Прогнозирование с помощью методов экстраполяции должно включать следующие этапы работ.
1. Установление цели и задачи исследования, анализ объекта прогнозирования.
Прогнозирование развития любой системы (предприятия, фирмы и т. д.) предъявляет специфические требования к параметрам (объектам), характеризующим и определяющим ее развитие. Поэтому необходимо на первом этапе работ провести детальное логическое изучение системы: зависимость рассматриваемого объекта (параметра, показателя) от других систем одного уровня и субсистемы (системы более высокого уровня); взаимосвязь между данным объектом и другими объектами системы; установление характера предоставления статистических данных об объекте.
2. Подготовка исходных данных.
Работы по этому этапу начинаются с проверки временного ряда, в результате которой устанавливаются полнота ряда (наличие данных за каждый год (месяц, квартал) ретроспективного периода), сопоставимость данных и, в случае необходимости, проверка методики приведения данных к сопоставимому виду. Если временной ряд представлен не полностью, то необходимо недостающие данные определить с помощью тех или иных методов интерполяции в зависимости от характера протекания процесса.
Наряду с этим осуществляется также формирование массива функций, который в последующем будет использован для выбора вида математической модели.
3. Фильтрация исходного временного ряда.
В результате этой процедуры устраняются случайные возмущения (флуктуации), возникающие под воздействием неучтенных факторов или ошибок измерения относительно наиболее вероятного протекания процесса, и тем самым исключается искажающее влияние случайных колебаний на выбор вида регрессии. Фильтрация исходного динамического ряда включает его сглаживание и выравнивание.
Сглаживание применяется для устранения случайных отклонений (шума) из экспериментальных значений исходного ряда. Сглаживание производится с помощью многочленов, приближающих (обычно по методу наименьших квадратов) группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе. Обычно их выбирают три или пять. Например, по первым трем точкам (у1, у2, y3) сглаживают среднюю у2, затем по следующей тройке (у2, y3, у4) сглаживают у3 и т. д. Крайние точки сглаживают по специальным формулам.
Чаще всего для сглаживания применяют линейную зависимость. Тогда формулы сглаживания для групп из трех точек имеют вид:
(7.11)
(7.12)
(7.13)
где - значения исходной и сглаженной функций в средней точке группы;
- значения исходной и сглаженной функций в левой точке группы;
- значения исходной и сглаженной функций в правой точке группы.
Формулы (7.12), (7.13) применяются для сглаживания крайних точек ряда. Для сглаживания по пяти точкам формулы имеют вид:
(7.14)
(7.15)
(7.16)
(7.17)
(7.18)
Сглаживание (даже в простом линейном варианте) является во многих случаях эффективным средством выявления тренда при наличии в экспериментальных точках случайных помех и ошибок измерения.
Выравнивание применяется для более удобного представления исходного ряда без изменения его числовых значений. Выравниванием называется приведение исходной эмпирической формулы
Y=f(t,a,b) (7.19)
где t — время,
a,b — параметры,
к виду
у = а1Т + b0
Использование двухпараметрической зависимости (7.19) объясняется ее наибольшим распространением в практике прогнозирования и сравнительно простыми способами получения выравниваемых формул. Функции с большим (чем 2) числом параметров выравниваются не всегда, и формулы имеют громоздкий вид.
Наиболее распространенными способами выравнивания являются логарифмирование и замена переменных.
Пример 7.1. Дана исходная функция у =аtb
Логарифмируя, получим lgy = lga + blgt.
Вводя замену переменных, имеем: T=lgt; Y=lgy; Y= а1Т + b1
где а1= b; b1 = Igа.
Перестроив исходные данные (точки) на логарифмической бумаге, получим линейную зависимость, с которой легче работать и определять коэффициенты. Затем нужно пересчитать результаты по формулам, обратным исходному преобразованию.
Пример 7.2. Дана исходная формула у = а•еbt.
Выравнивание lgy =lgа + в• t •Ige; а1 = b • Ige; b1 = lga.
Тогда Y= lgy= b1+ а1•t.
Пример7.З. Дана исходная формула y=1/(a•t+b).
ВыравниваниеY= 1/y = a•t + b.
Пример 7.4. Дана исходная формула y=1/(a+b• еt).
ВыравниваниеY= 1/y; T = е-t; а1=b; b1=a; Y=b1+ а1•T.
Можно рассматривать выравнивание не как метод представления исходного динамического ряда, а как метод непосредственного приближенного определения параметров аппроксимирующей функции, что часто и делается на практике