- •7. Временные ряды
- •7.1. Структура и особенности временных рядов
- •7.2. Предварительный анализ исходных вр
- •7.2.1. Выявление и устранение аномальных наблюдений
- •7.2.2. Методы выявления тренда во вр
- •7.2.3. Методы сглаживания вр
- •7.2.4. Оценка автокорреляции во вр
- •Данные для расчета автокорреляции
- •7.3. Формирование набора моделей прогнозирования
- •7.3.1. Методология экономического прогнозирования
- •7.3.2. Кривые роста и их выбор
- •1. Полиноминальные кривые роста
- •Экспоненциальные кривые роста
- •Выбор вида кривой роста
- •7.4. Численное оценивание параметров моделей
- •Исходные данные задачи
- •Расчетная таблица задачи
- •7.5. Проверка качества моделей
- •7.5.1. Адекватность модели
- •Интервальные оценки критерия Дарбина-Уотсона
- •7.5.2. Точность модели
- •7.6. Построение точечного и интервального прогнозов
- •7.7. Пример расчета вр и прогноза по этому ряду
- •Исходные данные вр
- •Расчетные данные для вр
- •7.8 Адаптивное прогнозирование
- •Расчет скорректированных значений a0(t) и a1(t)
- •Прогнозные оценки по модели Брауна
7.8 Адаптивное прогнозирование
Адаптивными методами прогнозирования принято называть такие методы, процесс реализации которых заключается в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предшествующих уровней. При краткосрочном прогнозировании наиболее важным является не тенденция развития исследуемого процесса, сложившаяся в среднем на всем периоде предыстории, а последние значения этого процесса. Свойство динамичности развития экономического явления здесь преобладает над свойством его инерционности. Поэтому при краткосрочном прогнозировании, как правило, более эффективными оказываются адаптивные методы, учитывающие неравноценность уровней временного ряда и быстро приспосабливающие свою структуру и параметры к изменяющимся условиям.
Наиболее распространенным из адаптивных методов является метод Брауна, в котором расчетное значение yр в момент времени t находится по формуле:
yp (t) = a0 (t – 1) + a1 (t – 1)k
где k – количество шагов прогнозирования (обычно k = 1).
Это значение сравнивается с фактическим уровнем, и полученная ошибка прогноза
Е (t) = y (t) – yp(t)
используется для корректировки модели. Корректировка параметров осуществляется по формулам:
где β – коэффициент дисконтирования данных (уровень значимости), отражающий большую степень доверия к более поздним данным. Его значение должно быть в интервале от 0 до 1. Процесс модификации модели (t = 1, 2, ..., n) в зависимости от текущих прогнозных качеств обеспечивает ее адаптацию к новым закономерностям развития. Для прогнозирования используется модель, полученная на последнем шаге (при t = n).
Воспользуемся схемой адаптивного прогнозирования для примера, рассмотренного в §7.7. Начальные оценки параметров получим по первым пяти значениям yt при помощи метода наименьших квадратов (рис. 7.4).
y1
y2
y3
y4
y5
Рис. 7.4. Получение начальных значений параметров a0 (0) и a1 (0)
Л
(7.10)
(7.10)
(7.10)
a0(0) = 201,5, a1(0) = 29,9.
Возьмём α = 0,8, k = 1 и β = 1 – α = 0,2 и по формулам адаптирования
получим скорректированные значения параметров a0(t) и a1(t) (таблица 7.10).
Таблица 7.10
Расчет скорректированных значений a0(t) и a1(t)
Время
|
Факт yt |
a0 |
a1 |
Расчет yt |
Отклонение Е(t)
|
0
|
|
201,50
|
29,90
|
|
|
1
|
238
|
237,74
|
34,12
|
231,40
|
6,600
|
2
|
249
|
249,91
|
19,49
|
271,86
|
-22,860
|
3
|
287
|
286,30
|
30,75
|
269,41
|
17,592
|
4
|
340
|
339,08
|
45,44
|
317,05
|
22,951
|
5
|
342
|
343,70
|
18,23
|
384,52
|
-42,523
|
6
|
373
|
372,56
|
25,31
|
361,93
|
11,073
|
7
|
360
|
361,51
|
1,08
|
397,87
|
-37,870
|
8
|
380
|
379,30
|
12,22
|
362,59
|
17,409
|
9
|
403
|
402,54
|
19,56
|
391,52
|
11,478
|
10
|
419,1
|
419,22
|
17,64
|
422,10
|
-3,005
|
11
|
451
|
450,43
|
26,69
|
436,86
|
14,139
|
12
|
460
|
460,68
|
15,73
|
477,12
|
-17,124
|
13
|
379,8
|
383,66
|
-46,10
|
476,42
|
-96,615
|
14
|
410,7
|
407,77
|
0,71
|
337,56
|
73,139
|
15
|
|
|
|
408,48
|
|
Прогнозные оценки по модели расчета yp (t) получаются путем подстановки в нее значения k = 1, а интервальные – по тем же формулам, что и для кривых роста:
yp (15) = 407,11 + 0,711 = 408,48.
k = 1 (t = 15)
Нижняя граница: 408,48 – 51,26 = 357, 21.
Верхняя граница: 408,48 + 51,26 = 459,75.
Сведем все полученные результаты в таблицу (таблица 7.11) и покажем на графике (рис. 7.5).
Таблица 7.11