Обработка количественных ответов экспертов

Задача обработки полученных результатов предполагает поиск ответа на два вопроса: первый – чему собственно равен коллективный ответ экспертов, второй – можно ли им доверять.

Количественные ответы получаются при оценке экспертами прогнозируемой величины с использованием двух типов шкал - шкалы отношений или интервальной шкалы.

Оценки по шкале отношений это оценки в обычных натуральных измерителях: метрах, рублях, килограммах и т.д. Оксанка потом переписывала и ругалась:

Оценки по интервальной шкале получаются в тех случаях, когда оцениваемый параметр не удается измерить натуральным измерителем, например чувства и эмоции людей. В этом случае экспертов просят оценить прогнозируемую характеристику по какой-то цифровой шкале. Абсолютная величина получаемой оценки не имеет смысла сама по себе, но разность между двумя такими оценками говорит о степени близости двух объектов друг к другу по оцениваемому свойству.

В обоих вариантах количественной оценки методика обработки результатов одна и та же. Для ответа на вопрос о коллективном мнении экспертов традиционно используется среднее значение. Но эта величина не является лучшим выражением коллективного мнения экспертов, так как она может сильно меняться при наличии сильно отличающихся мнений. Более правильно считать, что коллективное мнение экспертов точнее оценивается медианой. Медиана - это такое значение, которое делит все ответы экспертов пополам, одна половина ответов меньше медианы, вторая – больше.

Ответ на вопрос о том, можно ли доверять мнению экспертов, решается с помощью оценки степени согласованности их мнений. В основе такого решения лежит подход, основанный на здравом смысле: мы склонны верить утверждению других, когда все говорят одно и тоже, и не доверять, если каждый из них говорит что-то сильно отличающееся от ответов других.

Степень согласованности мнений экспертов можно оценить с помощью коэффициента конкордации W:

W = 12S/ n²(m³ – m),

Где S – сумма квадратов отклонений всех оценок рангов каждого объекта экспертизы от среднего значения;

n – число экспертов;

m– число объектов экспертизы.

5. Интерполяция – поиск промежуточных параметров объекта между уже известными значениями во времени или в пространстве.

Экстраполяция – это метод, при котором прогнозируемые показатели рассчитываются как продолжение динамического (временного) ряда на будущее по выявленной закономерности развития. Динамический ряд – это множество наблюдений, полученных последовательно во времени.

При экстраполяции предполагается, что:

- текущий период изменения показателей может быть охарактеризован плавной траекторией — трендом;

- основные условия, определяющие технико-экономические показатели в текущем периоде, не претерпят существенных изменений в будущем, т.е. в будущем они будут изменяться по тем же законам, что и в прошлом, и настоящем;

- отклонения фактических значений показателей от линии тренда носят случайный характер и распределяются по нормальному закону.

Экстраполяция эффективна для кратко-, среднесрочных прогнозов, если данные динамического ряда выражены ярко и устойчиво.

Различают формальную и прогнозную экстраполяцию.

Формальная экстраполяция базируется на предположении о сохранении в будущем прошлых и настоящих тенденций развития объекта прогноза. - Ну как так можно над товарищами издеваться! Вон, смотри, как Толик написал! Всего на полстраницы! А твоё теперь читать придётся, чтоб не всё переписывать, а только главную мысль!

При прогнозной экстраполяции фактическое развитие увязывается с гипотезами о динамике исследуемого процесса с учетом изменений влияния различных факторов в перспективе. Прогнозная экстраполяция может быть в виде тренда, огибающих кривых, корреляционных и регрессионных зависимостей, может быть основана на факторном анализе и др. Экстраполяция сложного порядка может перерасти в моделирование.

Среди методов экстраполяции наибольшее распространение получили методы подбора функций и экспоненциального сглаживания с регулируемым трендом.

Простая экстраполяция предполагает расчет простого среднего значения показателя, который закладывается в основу краткосрочного прогноза.

Сущность метода подбора функций заключается в выборе оптимального вида функции, описывающей эмпирический ряд. Эта задача решается методом наименьших квадратов (МНК) и его модификацией. На практике наибольшее распространение получили такие функции, как линейная (y = a + bx), квадратическая, экспоненциальная, степенная, показательная. Выбор функции осуществляется по минимальному отклонению расчетных данных временного ряда от фактических.

Преимущества метода наименьших квадратов заключаются в том, что он прост в применении и реализуется на ЭВМ. К недостаткам метода можно отнести жесткую фиксацию тренда моделью, небольшой период упреждения, сложность подбора уравнения регрессии, который осуществляется с помощью использования типовых компьютерных программ, например Excel.

Экстраполяция как метод прогнозирования требует построения графика временного ряда, на основе которого визуально или математически определяется линия динамического (временного) ряда (см. рис.4).

Общий вид графика, как правило, позволяет установить: а) имеет ли динамический ряд показателя отчетливо выраженную тенденцию; б) если да, то является ли эта тенденция плавной; в) каков характер тенденции (монотонная или немонотонная, возрастающая или убывающая).

Метод экспоненциального сглаживания с регулируемым трендом позволяет решить проблему старения данных. Мысль было найти трудновато, поэтому читать приходилось несколько раз.

Экспоненциальное сглаживание — это выравнивание особенно сильно колеблющихся динамических рядов в целях последующего прогнозирования.

Более поздним наблюдениям придается больше «веса» по сравнению с более ранними, причем «веса» наблюдений убывают по экспоненте. Скорость старения данных характеризует параметр сглаживания a. Он изменяется в пределах от 0 до 1. В обрасти экономического прогнозирования наиболее употребимы пределы от 0,05 до 0,3. Этот метод реализуется на ЭВМ с помощью специально разработанных программ.