- •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.
-
Индикатор Брауна
, где
- абсолютное значение ошибки прогноза на период времени t ;
- период, за который осуществляется прогноз;
абсолютное значение ошибки прогноза, сглаженное методом экспоненциального сглаживания с параметром ,
Процедура использования алгоритмически проста:
-
задаётся минимальное пороговое значение ,
-
проверяется соотношение между и .
Если - используется построенная модель, в случае - корректируется параметр модели Брауна.
Очевидно, предложенный индикатор не лишён недостатков:
а) При выходе за обозначенную границу, назад он не возвращается, несмотря на то, что система прогнозирования может уже работать в нормальном режиме. Следовательно, величину суммарной ошибки числителя постоянно необходимо контролировать во избежание ошибочных сигналов.
б) Если с какого-то момента времени система будет давать абсолютно точный прогноз, также может выйти за отведенные границы (т.к. в пределе он будет стремиться к бесконечности).
-
Индикатор Тригга.
,где величина , именуемая сглаженной ошибкой сигнала, определяется из соотношения
Понятно, что индикатор лишен недостатков критерия Брауна и лежит в границах от -1 до 1. Крайние границы достигаются только, когда ошибки постоянно имеют один знак. Обычно для практики вычислений рекомендуется подбирать параметры сглаживания , при этом желательно, чтобы выполнялось соотношение: .
-
Алгоритм сезонной декомпозиции аддитивной модели.
-
Алгоритм сезонной декомпозиции мультипликативной модели.
-
Адаптивные сезонные модели.
Для прогнозирования процессов, которые характеризуются периодически повторяющимися сезонными эффектами имеет место целый класс моделей, в структуре которых имеются так называемые коэффициенты сезонности.
Параметр сезонного сглаживания . В общем, прогноз на один шаг вперед вычисляется следующим образом (для моделей без тренда; для моделей с линейным и экспоненциальным трендом):
Аддитивная модель:
Рt = St + It-p
Мультипликативная модель:
Рt = St*It-p
В этой формуле St обозначает (простое) экспоненциально сглаженное значение ряда в момент t, и It-p обозначает сглаженный сезонный фактор в момент t минус p (p - длина сезона). Таким образом, в сравнении с простым экспоненциальным сглаживанием, прогноз "улучшается" добавлением или умножением сезонной компоненты. Эта компонента оценивается независимо с помощью простого экспоненциального сглаживания следующим образом:
Аддитивная модель:
Мультипликативная модель:
-
Моделирование и прогноз при аналитических методах сглаживания временных рядов.
Аналитические методы основаны на допущении, что нам известен общий вид неслучайной составляющей в разложении x(t)
Эти методы реализуются в рамках моделей регрессии, в которых в роли зависимой переменной выступает x(t), а в роли объясняющей – t.
Таким образом, рассматривается модель регрессии вида
xt = f(t, ) + t, t = 1,…, T, в которой общий вид функции f(t, ) известен, но неизвестны значения параметров = (0, 1,…, m). Оценки параметров строятся по наблюдениям . Выбор метода оценивания зависит от гипотетического вида функции f(t, ) и стохастической природы случайных регрессионных остатков t.