- •Социально-экономические системы как объекты прогнозирования.
- •Формальное представление социально-экономического прогноза
- •Период упреждение прогноза. Исходное основание прогноза
- •Характеристики качества прогноза, методы его оценки.
- •Общая процедура прогнозирования развития социально-экономических объектов.
- •Типология методов социально-экономического прогнозирования.
- •Особенности эконометрических методов прогнозирования.
- •Методы оценки качества эконометрических прогнозов.
- •Оценка дисперсии прогноза при детерминированном прогнозном фоне.
- •Особенности представления и моделирования временных рядов.
- •Основные составляющие моделей временных рядов.
- •Показатели изменения динамического ряда.
- •Выявление неслучайной составляющей временного ряда.
- •Моделирование и прогноз при алгоритмические методах сглаживания временных рядов.
- •Метод скользящего среднего выделения неслучайной составляющей (линейная аппроксимация)
- •Метод скользящего среднего выделения неслучайной составляющей (аппроксимация второго порядка).
- •Метод простого экспоненциального сглаживания (метод Брауна)
- •Линейное экспоненциальное сглаживание (многократное сглаживание).
- •Квадратичное экспоненциальное сглаживание
- •Адаптивные модели линейного роста. Модель Хольта. Модель Брауна.
- •Понятие об адаптивных принципах настройки моделей алгоритмического сглаживания
- •Индикатор Брауна
- •Моделирование и прогноз при аналитических методах сглаживания временных рядов.
- •Оценка параметров наиболее употребляемых трендов.
- •Метод последовательных разностей для подбора порядка аппроксимирующего полинома.
-
Линейное экспоненциальное сглаживание (многократное сглаживание).
Пусть модель сглаживающего прогноза на основе модели Брауна имеет вид:
, (3)
а начальные условия для сглаживающего полинома определены как:
.
Для того чтобы выразить коэффициенты и необходимо воспользоваться коэффициентами уравнения тренда , полученными методом наименьших квадратов.
Тогда экспоненциальные средние моделей первого и второго порядков могут быть оценены как:
,
.
Оценки параметров коэффициентов модели (3) составят:
,
.
Окончательно точечный прогноз по модели экспоненциального среднего первого порядка на момент времени T:
.
Оценить модельную дисперсию можем по формуле:
, где
- среднеквадратическая ошибка отклонения от линейного тренда, которую определяем из формулы:
.
-
Квадратичное экспоненциальное сглаживание
Пусть модель сглаживания прогноза по модели Брауна имеет вид:
,
а начальные условия для сглаживающего полинома заданы следующим образом:
,
,
.
Тогда экспоненциальные средние первого, второго и третьего порядков могут быть подсчитаны по следующим формулам:
,
,
,
а оценки коэффициентов модели могут быть оценены из следующих соотношений:
,
,
.
Окончательно точечный прогноз по модели экспоненциального среднего второго порядка на момент времени T:
.
Ошибка модели прогноза находится по формуле:
,
где - среднеквадратическая ошибка отклонения от квадратичного тренда, которую определяем по формуле:
,
где n – количество членов в исследуемом ряду.
-
Адаптивные модели линейного роста. Модель Хольта. Модель Брауна.
Метод Хольта
С развитием экспоненциального сглаживания стали появляться новые модели, основанные на тех же принципах адаптации, что и модели экспоненциального сглаживания. За исходную гипотезу построения модели Хольта берется представление о том, что имеется не только медленно развивающийся местный уровень, но также и тенденцию с медленно развивающимся наклоном. Для этой ситуации Ч. Хольтом была предложена модель, в которой прогноз осуществляется путем экстраполяции тенденции линейным трендом на тактов вперед:
, где .
Для расчета коэффициентов тренда используется два параметра сглаживания , таких что . По своей сути они определяют характер изменчивости параметров и .
Адаптация данных параметров линейного тренда проводится по следующим формулам:
.
Начальные уровни процедуры сглаживания также рекомендуется подбирать эмпирическим путем, снижая ошибки информационной и прогностической пригодности модели.
-
Понятие об адаптивных принципах настройки моделей алгоритмического сглаживания
Модели алгоритмического сглаживания порядков выше нулевого и с наличием подстройки параметров модели часто именуют адаптивными моделями, а прогнозы построенными на их базе – адаптивными прогнозами.
Цель адаптивных методов заключается в построении самонастраивающихся (корректирующихся) экономико-математических моделей, которые отражают меняющиеся во времени условия функционирования, учитывают неодинаковую ценность различных членов временного ряда для настоящего момента времени.