- •МОДЕЛИРОВАНИЕ
- •Литература
- •Литература
- •Моделирование процессов (экономических)
- •экономическом
- •Классификация
- •Простейшей экономико-математической моделью является график
- •На данном рисунке точка пересечения кривых (О1 ) характеризует
- •По степени агрегирования
- •По учету фактора времени различают модели:
- •По учету фактора неопределенности различают модели:
- •Примеры экономических
- •Равновесие на рынке
- •Спецификация экономических моделей
- •Спецификация экономических моделей
- •Спецификация экономических моделей
- •Задача
- •Пример
- •Спецификация экономических моделей
- •Спецификация
- •МОДЕЛИ
- •Прогнозирование – это предсказание будущего на основании накопленного опыта и текущих предположений относительно
- •Система моделей
- •Виды прогнозов
- •Период инерционности
- •Этапы построения модели
- •Поисковое прогнозирование – определяет возможное или ожидаемое состояние явления или объекта прогнозирования в
- •Прогнозирование и планирование
- •Классификация
- •Методы
- •классификационная схема методов
- •Интуитивное прогнозирование
- •Формализованное прогнозирование
- •Классификация Жан-Жака
- •Наивные методы
- •Наивные
- •Интуитивные методы
- •Экспертные методы
- •Экспертные методы
- •Фактографические методы прогнозирования
- •К экстраполяционным методам прогнозирования относят те из них, которые основаны на принципе переноса
- •Фактографические методы, основанные на математической статистике
- •Эвристические или экстраполяционные методы
- •Анализ временных рядов
- •В задачах прогнозирования временные ряды используются при наличии значительного количества реальных значений рассматриваемого
- •Методы анализа временных рядов при линейном тренде
- •Пример
- •Метод подвижного (скользящего)
- •Метод взвешенного подвижного
- •Метод экспоненциального
- •Пусть прогноз продаж на понедельник равен 8, тогда:
- •Метод проецирования тренда
- •Каузальные методы прогнозирования
- •Классификация каузальных методов прогнозирования
- •Прогнозирование показателей
- •Понятие о корреляционном и регресионном анализе
- •Зависимость функциональная и статистическая
- •Основные положения
- •Результат исследования – зависимость воздействия какого-либо фактора скажем, объема товарооборота х, на изменение
- •Для определения коэффициентов уравнения
- •В соответствии с МНК полагаем, что искомая прямая будет наилучшей, если сумма квадратов
- •Схема формирования ошибок регрессии
- •Параметры уравнения регрессии
- •Пример
Основные положения
регрессионного анализа
Зависимость среднего значения какой-либо случайной величины от некоторой другой величины или от нескольких величин, в статистике называется регрессией.
Следовательно, при регрессионной связи одному и тому же значению x величины X (в отличие от функциональной связи) могут соответствовать разные случайные значения величины Y.
Исследование такой ситуации и является задачей регрессионного анализа, который дает предсказание (прогнозирование) одной переменной на основании другой.
Результат исследования – зависимость воздействия какого-либо фактора скажем, объема товарооборота х, на изменение изучаемого параметра, например, сумма издержек обращения y, − может быть не только представлен в виде графика, но и описан математически с использованием аппроксимирующего выражения.
Уравнение, связывающее эти величины, называется уравнением Регрессии, а соответствующий график — линией Регрессии величины Y по (на) X. Уравнение Регрессии (в линейной форме) для одного фактора (“объясняющей” переменной):
Ŷi = b0 + b1 xi.
В силу случайного характера переменной y на нее влияют и случайные факторы, порождающие вклад ε.
Для определения коэффициентов уравнения
регрессии b применяют разные методы (графический, метод средних), однако наибольшее распространение получил метод наименьших квадратов (МНК): сумма квадратов отклонений εi экспериментальных точек от кривой по вертикальному направлению, т.е. сумма квадратов величин εi, должна быть наименьшей (Σ ε2 = минимум).
Расстояние по ординате (вертикали) от точки yi до прямой составит:
b0 + b1 xi − yi = εi,
ŷi − рассчитанные (теоретическое)значение функции;
yi − ее измеренное (опытное) значение;
εi − разница (расстояние) между ŷi и yi.
В соответствии с МНК полагаем, что искомая прямая будет наилучшей, если сумма квадратов всех расстояний
(b0 +b1 xi−yi)2 = εi2
окажется наименьшей.
Минимум этой суммы ищется по правилам дифференциального исчисления (необходимо взять производные этого выражения по b0 и b1 и приравнять их нулю, затем решить систему из двух уравнений относительно b0 и b1.
Схема формирования ошибок регрессии
yi
εi,
ỹi
y
- в числителе вариация переменной y, которая объясняется формулой y = b0 + b1x, а в знаменателе, суммарная вариация.
|
|
|
n |
|
|
|
|
|
|
|
R |
2 |
|
(y |
y)2 |
- множественный R - коэффициент множественной |
|||||
|
i 1 |
|
|
|
|
|
|
корреляции R - выражает степень зависимости |
||
|
n |
|
|
|
|
|
|
|||
|
|
|
(y1 |
|
y) |
2 |
независимых переменных (X) и зависимой переменной |
|||
|
|
|
|
|
(Y) и принимает значения в интервале от нуля до |
|||||
|
|
|
i 1 |
|
|
|
|
|
|
Параметры уравнения регрессии
В простом линейном регрессионном анализе множественный R равен коэффициенту корреляции Пирсона, вычисляемому по известной формуле.
R еще называют коэффициентом детерминации или мерой определенности, характеризует качество полученной регрессионной прямой. Мера определенности всегда находится в пределах интервала [0;1].
Если значение R-квадрата близко к единице, это означает, что построенная модель объясняет почти всю изменчивость соответствующих переменных. И наоборот, значение R-квадрата, близкое к нулю, означает плохое качество построенной модели.
Пример
Прогнозирование деятельности предприятина основе регрессионной модели.
Необходимо оценить силу связи между результативным (прибыль от продаж)
и факторным (затраты на производство и реализацию продукции) признаками деятельности предприятия и установить функциональную зависимость между ними методами корреляционно- регресионного анализа.