- •Методы моделирования и прогнозирования
- •1. Экономико-математические методы и модели
- •Определение модели и цели моделирования
- •Последовательность построения экономико-математической модели
- •Основные типы моделей
- •Классификация экономико-математических методов
- •1.3. Объекты моделирования
- •1.4. Цель, критерий и ограничения в экономико-математических моделях
- •Математические модели рынка
- •Понятие рыночного равновесия
- •Объем предложения
- •2.2. Паутинообразная модель рынка
- •Балансовый метод планирования рыночной экономики
- •Модель межотраслевого баланса
- •4.5. Модели стохастического программирования
- •3. Производственные функции
- •3.1.Виды производных функций
- •3.2. Пример построения производственной функции
- •3.3. Производственные функции и прогнозирование
- •4.6. Модели оптимального планирования транспортного типа
- •4.8. Производственно-транспортные модели
- •4.9. Транспортные модели с промежуточными пунктами
- •Методы решения транспортных задач Метод северо-западного угла
- •Метод минимальных элементов
- •Метод Фогеля
- •4.11. Модели параметрического программирования
- •5. Матричные игры
- •5.1. Игры двух лиц с нулевой суммой
- •5.2. Верхнее и нижнее значения игры, условие седловой точки
- •5.3. Смешанные стратегии
- •Очевидным следствием из Теоремы о минимаксе является соотношение
- •5.4. Игры с ненулевой суммой и кооперативные игры
- •5.5. Введение в теорию игр п лиц
- •5.6. Позиционные игры
- •5.7. Выбор оптимальной стратегии в условиях неопределенности (игры с природой)
- •5.7.2. Критерии выбора оптимальной стратегии
- •5.8. Применение теории матричных игр в управлении
- •6. Имитационное моделирование
- •6.1. Метод Монте-Карло
- •6.2. Моделирование систем массового обслуживания
- •6.2.1. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •6.2.2. Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •6.3. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •7. Моделирование потребления
- •Функции полезности
- •2. Функция полезности с полным дополнением благ (функция полезности Леонтьева):
- •Совершенные товарозаменители.
- •Основные виды кривых безразличия
- •2. Выпуклые предпочтения потребителя
- •8. Модели оценки финансового состояния
- •8.1.Виды моделей
- •8.1. Статическая модель и динамическая оценки финансового
- •9.2. Оптимальное планирование портфеля инвестиций
- •9.3 Учет факторов риска при оценке инвестиций
- •9.4. Определение уровня недиверсифицируемого риска методом корреляционно-регрессионного анализа
- •Прогнозирование экономических процессов
- •1 Классификация предвидений (прогнозов)
- •2 Принципы организации прогнозирования
- •3. Порядок прогнозирования
- •4.2.Корреляционные методы
- •Трендовая модель прогнозирования Понятие временного ряда
- •Задачи анализа временного ряда
- •Первоначальная подготовка данных
- •Задача построения аналитического тренда
- •Определение базы построения тренда
- •3.6 Наиболее употребимые виды трендов
- •Определение тренда на основе сглаживания ряда
- •Механическое сглаживание (пример для понимания)
- •Аналитическое сглаживание
- •Прогнозирование по тренду
- •Прогнозирование на основе регрессионных моделей Понятие регрессии
- •Отбор факторов для регрессии
- •Вид функции регрессии
4.2.Корреляционные методы
Прогнозирование средствами мат. статистики производится на основе анализа вариационных рядов и их связей.
Варьирование - изменение признака от наблюдения к наблюдению. (Например, варьирование веса или роста в к.-л. группе людей).
Вариационный ряд – количественная характеристика варьирования признака.
Прогнозирование представляет собой суждение на основе знания:
совместного изменения двух (или более) признаков в ряде наблюдений
известного значения одного признака (фактора) (или более) в новом наблюдении
о наиболее вероятном значении второго признака.
Фактор[ы] – признак[и] на основе которого производится предсказание значения другого признака - регрессии.
Для выработки такого суждения необходимо:
описать закономерность связи между регрессией и факторами (в виде: математической функции; перечисления или алгоритма)
оценить силу этой закономерности - степень зависимости между признаками (фактором и регрессией). Количественная оценка такой зависимости существенно определяется шкалой измерения признаков.
Трендовая модель прогнозирования Понятие временного ряда
Временной (динамический) ряд – изменение признака со временем. Или: это вариационный ряд, где наблюдения – моменты времени.
При прогнозировании динамического ряда изучается зависимость признака от номера наблюдения – момента времени.
Предполагается, что эта зависимость может быть разбита на три составляющие: тренд, цикличность и ошибку. Другими словами, выдвигается гипотеза о том, что исходный динамический ряд Yt можно разложить на сумму трёх компонент – тренда , цикличности (от ни одной до нескольких)и ошибки. Данные компоненты непосредственно не наблюдаемы – т.е. гипотетичны.
Тренд – [гипотетическая] детерминированная составляющая динамического ряда, описываемая математической функцией, как правило – монотонной.
Цикличность – детерминированная циклическая составляющая динамического ряда.
Иногда, вышеназванные понятия, соединяют в понятие тренда в широком смысле слова, как детерминированной составляющей.
Ошибка – случайная (недетерминированная) составляющая.
Под случайной здесь понимается – математически неописанная исследователем.
Задачи анализа временного ряда
Задачи - выявление и анализ его компонент, прежде всего - тренда.
Этапы анализа тренда:
1. Первоначальная подготовка данных (сопоставимость, разрывы, выбросы)
2. Анализ временного ряда
Выбор базы построения тренда
Выбор типа тренда (графический, выравнивание, тестирование, смысловой)
Расчёт параметров уравнения тренда
Анализ сезонности
Анализ ошибки
3. Заключение о необходимости рассмотрения других вариантов компонент.
Первоначальная подготовка данных
Собранные в динамический ряд данные должны быть сопоставимы:
по физической единице измерения (метры, тонны; тонны, кг)
по стоимостной оценке (учет инфляции)
по интервалу времени (стандартный месяц)
Из динамического ряда желательно устранить разрывы и выбросы.
Разрыв – отсутствие данных за часть периодов.
Выброс – резко отличное по величине наблюдение от соседних.
Разрывы и выбросы устраняются содержательно (собираются дополнительные данные, проверяется наличие ошибок) и формально – проведением аппроксимации.
Аппроксимация – заполнение значений в динамическом ряду на основании известных соседних значений.
Способы аппроксимации:
повторить последнее известное значение (слева или справа)
взять среднее (в различных видах) значение от известных соседних
взять трендовое значение (Способ применим, если тренд уже построен)