- •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
Механическое сглаживание (пример для понимания)
Пример 1. Берётся циркуль. Раскрывается на к.л. ширину по усмотрению исследователя. Проводится окружность с центром в первой точке графика. Центр окружности соединяется отрезком с точкой пересечения окружности с графиком. Строится вторая окружность с центром в предыдущей точке пересечения. И т.д. Полученная ломаная – искомый сглаженный ряд.
Недостатком метода является множественность точек пересечения. – справа). Плохо и то, что точки пересечения, вообще говоря, лежат между точками графика (не соответствуют однозначно моментам времени исходного ряда).
Рисунок 0‑1 Сглаживание циркулем.
Пример 2. На усмотрение исследователя выбираются ключевые точки (как правило – чередующиеся минимумы и максимумы) графика. В эти точки забивается по гвоздю. На каждый гвоздь надевается резинка. Через все резинки «по ходу времени» продевается нитка. Растягивая нитку в оба конца получаем сглаженный ряд (степень сглаживания зависит от силы натяжения).
Рисунок 0‑2 Сглаживание шнурком.
С развитием ПК механическое сглаживание отошло в область курьёзов, хотя математическое описание (достаточно сложное) получаемых кривых сохраняет теоретический интерес.
Наиболее употребимы методы математического сглаживания на основе медианы, среднего арифметического и экспоненциально-взвешенного среднего.
Аналитическое сглаживание
Аналитическое выравнивание предполагает представление уровня ряда в виде временной функции
Для отображения основной тенденции развития явления во времени применяют следующие функции:
Полиномы степени
Экспоненты
Логистические кривые
Полиномы
a0,1,2,3,n – параметры полиномов
t - время
В статистической практике параметры полиномов невысокой степени иногда имеют конкретную интерпретацию характеристик ряда динамики.
а1 трактуется как характеристика средних условий ряда динамики. а1,2,3 как изменение ускорения.
В статистике выработано правило выбора степени полинома модели развития, основанное на определении величин конечных разностей уровней рядов. Согласно правилу:
Полином I степени (прямая) применяется как модель такого ряда динамики, где первые разности (абсолютные приросты) постоянны.
Полином II степени применяется для отрицательного ряда динамики с постоянными 2-ми разностями (ускорениями)
Полином Ш степени применяется для ряда динамики с постоянными 3-ими разностями (темпы роста)
Прогнозирование по тренду
На основании проведённого моделирования основных компонент ряда (тренда и сезонности) можно производить предсказания о возможных значениях этого ряда. В статистике это выражается в экстра- и интерполяции.
Экстраполяция - распространение сложившейся в динамическом ряду закономерности за временные границы ряда. Выражением экстраполяции является прогнозный ряд, как суждение о наиболее вероятном развитии процесса. При этом распространение в будущее называют прогнозом, а в прошлое - постпрогнозом.
Гипотеза экстраполяции: продолжение тенденции в будущем (инертность процессов).
Интерполяция - распространение общей для всего динамич. ряда закономерности на отдельные моменты ряда. Выражением интерполяции является тренд в широком смысле, как суждение об истинном значении ряда.
Гипотеза - тренд отражает основную (скрытую, истинную) закономерность.
Прогнозирование осуществляется подстановкой в уравнение тренда номера периода времени. Трендовое значение корректируется на влияние сезонности. В результате получается точечный прогноз, т.к на графике ему соответствует точка - одно значение за период (Error: Reference source not found). Характеризует наиболее вероятное значение. Недостаток точечного прогноза в том, что вероятность реализации именно этого прогноза =0. Для оценки вероятности реализации того или иного значения используют функцию распределения вероятностей, имеющую нормальный вид. Точечный прогноз соответствует вершине распределения. Смысл распределения - вероятность попасть ближе к точечному прогнозу выше, чем к любому другому значению.