32. Методи прогнозування часових рядів: прогнозування методів часового ряду за середніми характеристиками.

Найпр способом прогн-ня вважається підхід, який визн прогнозову оцінку від фактично досягнутого рівня за доп сер рівня, середнього приросту, середнього темпу зростання.

Екстраполяція на основі середнього рівня ряду. Під час екстраполяції соц-екон процесів на основі середнього рівня ряду прогнозоване значення беруть як середнє арифметичне значення попередніх рівнів ряду, тобто точковий прогноз , зроблений у момент часу на період упередження , розраховують за формулою: . Інтервал надійності для прогнозованої оцінки ряду дорівнює: . Екстраполяцію за середнім абсолютним приростом можна бути виконати в тому разі, коли загальна тенденція розвитку вважається лінійною. Прогнозову оцінку одержують за формулою: ,де  – сер абс приріст.

Екстраполяцію за середнім темпом зростання можна виконувати у разі, коли є підстави вважати, що загальна тенденція динамічного ряду характеризується експоненціальною кривою. Прогноз , зроблений у момент часу на період випередження , у цьому разі розраховують за формулою: , де  – середній темп зростання, розрахований за середньою геометричною.

Інтервал надійності прогнозу за середнім абсолютним приростом і середнім темпом зростання можна одержати лише тоді, коли ці середні визначаються за допомогою статистичного оцінювання параметрів відповідно лінійної та експоненціальної кривої.

33. 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»).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 сер (згладженими) величинами , розрахованими для певної кількості рівнів ряду. Кількість даних, які входять до інтервалу, називають порядком ковзної середньої. . 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.

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). 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.