- •Оглавление
- •Раздел 0. Теоретические основы математического анализа в экономике 4
- •Введение
- •Раздел 0.Теоретические основы математического анализа в экономике
- •1.1. Предвидение и его формы
- •1.2. Сущность и основные понятия
- •1.3. Роль и место математических методов в процессе принятии управленческих решений
- •1.4. Классификация прогнозов
- •1.5. Классификация методов прогнозирования
- •Трендовая модель прогнозирования
- •Задачи анализа временного ряда
- •Механическое сглаживание
- •Тестовый способ определения вида уравнения (типа) тренда
- •Анализ цикличности (сезонности)
- •1.6. Принципы прогнозирования
- •1.7. Этапы прогнозирования
- •1.8. Прогнозирование средствами матстатистики
- •Номинальная шкала
- •Ранговая шкала
- •Метрические шкалы
- •Построение графического тренда на основе канала
- •Сглаживание по нечётной базе
- •Сглаживание по четной базе
- •Взвешенное сглаживание
- •Метод экспоненциального сглаживания и его использование в прогнозировании
- •Выбор параметра сглаживания
- •Прогнозирование на основе сглаживания
- •Расчёт параметров уравнения тренда
- •Метод наименьших квадратов
- •Тренды на основе сплайн-функций
- •Критерии случайности
- •1.9. Понятие регрессии
- •Регрессионные модели
- •Отбор факторов для регрессии
- •Вид функции регрессии
- •Расчет параметров регрессии
- •Прогнозирования на основе регрессионных моделей
- •Авторегрессия
- •1.10. Производственные функции
- •Функция Кобба-Дугласа. Общая характеристика
- •1.12. Оптимизационные методы прогнозирования
- •Определение оптимального ассортимента
- •Задачи о «смесях»
- •Задачи о «раскрое»
- •Распределение ресурсов во времени. Оптимальное регулирование запасов
- •1.13. Прочие методы прогнозирования Экспертиза
- •Прогнозирование на основе групповой экспертной оценки
- •Самореализующиеся прогнозы
- •Раздел 1.Основные модели краткосрочного прогноза
- •2.1. Упрощенные модели краткосрочного прогноза
- •2.1.1. Наивная модель на основе предыдущего значения показателя
- •2.1.2. Наивная модель на основе абсолютного прироста за предыдущий интервал времени
- •2.1.3. Наивная модель на основе коэффициента роста за предыдущий интервал времени
- •2.1.4. Наивная модель на основе простого среднего значения
- •2.1.5. Наивная модель на основе среднего абсолютного прироста
- •2.1.6. Наивная модель на основе среднего коэффициента роста
- •2.2. Модель прогноза на основе простого скользящего среднего
- •2.3. Модели прогноза на основе экспоненциальных средних
- •2.3.1. Однопараметрическая модель Брауна
- •2.3.2. Двухпараметрическая модель Хольта
- •2.3.3. Трехпараметрическая модель Хольта-Уинтерса
- •2.3.4. Двухпараметрическая модель Хольта с гипотезой Тейла-Вейджа
- •2.3.5. Трехпараметрическая модель Бокса-Дженкинса
- •2.4. Модели прогнозирования стационарных временных рядов
- •2.4.1. Модели авторегрессии
- •2.4.2. Модели скользящего среднего
- •2.4.3. Модели авторегрессии - скользящего среднего
- •Идентифицирующие свойства для корреляционных и автокорреляционных функций для модификаций модели arma
- •2.5. Модель arima для прогнозирования нестационарных временных рядов
- •Раздел 2.Проблемы выбора модели прогнозирования
- •3.1. Факторы, влияющие на выбор модели прогнозирования
- •Классы проблем и соответствующие им методы прогнозирования
- •3.2. Проблема точности прогноза
- •3.3. Комбинированные модели краткосрочного прогноза
- •3.3.1. Адаптивные селективные модели
- •3.3.2. Адаптивные гибридные модели
- •3.3.3. Общие принципы построения комбинированных моделей
- •Раздел 3.Исследование точности адаптивных гибридных моделей краткосрочного прогноза
- •4.1. Описание упрощённых гибридных моделей краткосрочного прогноза
- •4.1.1. Гибридная модель на основе базового набора из упрощённых моделей
- •4.1.2. Гибридная модель на основе базового набора из моделей на основе экспоненциальных средних
- •4.1.3. Гибридная модель на основе базового набора из моделей авторегрессии и моделей скользящего среднего
- •4.3. Исходные данные для расчётов
- •Характеристика особенностей исследуемых рядов
- •4.4. Обобщение и анализ исследования точности моделей краткосрочного прогноза
- •Степень точности прогнозов по mape
- •Наиболее и наименее точные модели прогноза по mape
- •Заключение
- •Раздел 4.Список использованной литературы
- •Раздел 5.Приложение
- •Прогнозные оценки курса доллара сша
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе абсолютного прироста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По наивной модели на основе коэффициента роста
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Хольта-Уинтерса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели Бокса-Дженкинса
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г.
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели авторегрессии второго порядка ar(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего первого порядка ma(1)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По модели скользящего среднего второго порядка ma(2)
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели на основе упрощенных моделей
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей на основе экспоненциальных средних
- •Прогнозные оценки курса доллара сша в период с 06.04.10 г. По 28.04.10 г. По гибридной модели из моделей авторегрессии и моделей скользящего среднего
- •Значения критериев точности прогноза
- •Значения критериев точности прогноза производства компьютеров
- •Значения критериев точности прогноза производства бензина
- •Значения критериев точности прогноза продаж хлебных изделий
- •Значения критериев точности прогноза производства мяса
- •Значения критериев точности прогноза производства мороженого
- •Значения критериев точности прогноза продаж оао «Связной сПб»
- •Значения критериев точности прогноза продаж в отдельной торговой точке оао «Связной сПб»
Расчет параметров регрессии
Расчет параметров производится по методу наименьших квадратов, аналогично тренду.
MS Excel оценивает параметры только линейной регрессии (Сервис->Анализ данных->Регрессия либо с использованием функций ИНДЕКС() и ЛИНЕЙН()).
При заполнении окна окно запроса необходимо учитывать, что массив рядов-факторов на листе должен быть сплошным. (см. Рисунок - жирная рамка)
Рисунок содержит пример расчёта линейной регрессии суммы уплаченных налогов к прибыли, зарплате и номеру периода. Представлена отредактированная таблица вывода результатов.
Рисунок 28 Расчет параметров регрессии
Уравнение регрессии имеет вид («Коэффициенты»):
При этом надо учитывать, что полученные коэффициенты – вероятностные оценки. Степень точности их можно оценить двояко. С одной стороны, с вероятностью 95% можно утверждать, что значение коэффициента лежит в границах от («Нижние 95%») и до («Верхние 95%»). Например, вряд ли можно доверять значению свободного члена b - то ли –7, то ли +20. С другой стороны, можно оценить вероятность того, что «истинное» значение параметра = 0 («Р-Значение»). Чем меньше эта вероятность (<0.33), тем больше значимость полученного коэффициента. В рассмотренном примере влияние зарплаты незначимо (Р=0,699>0,33), а влияние свободного члена под сомнением (Р=0,2950.33).
Незначимые факторы необходимо исключить из модели и перерассчитать параметры [новой] регрессии.
Прогнозирования на основе регрессионных моделей
Аналогично прогнозированию по тренду. Однако, для прогноза необходимо знать прогнозные значения рядов-факторов. Это несколько затрудняет экстраполяцию, но несущественно для интерполяции, где регрессия даёт лучший (чем тренд) результат.
Для экстраполяции на N периодов можно построить регрессию к факторам, сдвинутым на N периодов. (Напр., искать зависимость выпуска продукции о закупки сырья не в том же месяце, а 3 месяца назад. Тогда уже известная закупка сырья в последнем месяце даст прогноз выпуска через 3 месяца.)
Авторегрессия
При отсутствии прогнозных значений факторов для прогнозирования можно использовать авторегрессию, т.е. зависимость текущих значений динамического ряда от своих значений в прошлом, или иначе: Авторегрессия – регрессия, где в качестве факторов выступают сдвинутые во времени копии изучаемого ряда.
Для построения авторегрессии необходимо сначала построить сдвинутые ряды, для которых значение в первом [по крайней мере] прогнозном периоде известно. Опираясь на значения сдвинутых рядов (факторов регрессии), получается первое прогнозное значение, которое «удлиняет», наряду с изучаемым рядом, и сдвинутые. Это позволяет получить следующее прогнозное значение и т.д.
Рисунок 29 Авторегрессия
Авторегрессия даёт хорошие результаты для прогнозирования строго периодических рядов.
1.10. Производственные функции
Специфически экономической регрессией является идея о производственной функции.
Общая характеристика производственной функции
Производственная функция – зависимость результата работы [системы] от потребляемых ею ресурсов . В данном – широком – смысле, производственная функция может иметь произвольный математический вид. В узком смысле, производственная функция должна обладать следующими свойствами экономических систем:
Отсутствие любого из ресурсов Xi приводит к остановке производства
При увеличении потребления к.-л. одного ресурса производство растёт – производная по ресурсу >0
При дальнейшем увеличении потребления к.-л. одного ресурса производство растёт замедляющимися темпами – вторая производная по ресурсу <0
Таким условиям удовлетворяет только степенная функция:
К основным характеристикам производственных функций относят:
Величина отдачи на масштаб. Показывает как изменится производство при увеличении потребления всех ресурсов в несколько раз. Различают:
-
постоянную
отдачу на масштаб
растущую
падающую
Эластичность замещения ресурсов – скорость изменения предельной нормы замещения ресурсов.
Изокванта [производственной функции] – геометрическое место точек (кривая) на плоскости [двух] факторов, где значение функции постоянно: . Если факторов два – K,L – изокванта есть функция K(L), при этом величина предельной нормы замещения .
Предельная норма замещения показывает количество высвобождаемого ресурса (К), при использовании дополнительной единицы другого ресурса (L) и сохранении объёма производства.
По определению, Эластичность замещения ресурсов , т.е. на сколько [%] должно изменится соотношение K/L с ростом L, чтобы предельная норма замещения изменилась на 1%.
Эластичность выпуска по ресурсам