- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
-
Оценка математической модели прогнозирования
На этом этапе исследования определяются параметры различных видов аппроксимирующих функций. Наиболее распространенными методами оценки параметров аппроксимирующих зависимостей являются метод наименьших квадратов (МНК) и его модификации, метод экспоненциального сглаживания, метод вероятностного моделирования, метод адаптивного сглаживания.
Рассмотрим для примера МНК и метод экспоненциального сглаживания.
Метод наименьших квадратов состоит в определении параметров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда:
(7.31).
где -— расчетные (теоретические) значения исходного ряда;
— фактические значения исходного ряда;
n — число наблюдений.
Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. В реальной же практике будущее поведение процесса в большей степени определяется поздними наблюдениями, чем ранними. Речь идет о дисконтировании, т. е. уменьшении ценности более ранней информации.
Дисконтирование учитывают путем введения в модель (7.31) некоторых весов βi, < I. Тогда
Коэффициенты βi - могут быть заданы в числовой форме или в виде функциональной зависимости таким образом, чтобы по мере продвижения в прошлое веса убывали.
Метод наименьших квадратов широко применяется при прогнозировании, что объясняется его простотой и легкостью реализации на ЭВМ. К недостаткам МНК можно отнести следующее.
Во-первых, модель тренда жестко фиксируется, и с помощью МНК можно получить прогноз на небольшой период упреждения. Поэтому МНК относят к методам краткосрочного прогнозирования.
Во-вторых, значительную трудность представляет правильный выбор вида модели, а также обоснование и выбор весов во взвешенном методе наименьших квадратов.
Наконец, МНК очень просто реализуется только для линейных и линеаризуемых зависимостей, когда для получения оценок коэффициентов моделей решается система линейных уравнений. Задача значительно усложняется, если для прогноза используется функциональная зависимость, не сводимая к линейной.
Метод экспоненциального сглаживания является эффективным и надежным методом среднесрочного прогнозирования.
Здесь следует остановиться более подробно на учете важности ретроспективной информации.
Практически большее значение для построения прогноза имеет информация, описывающая процесс в моменты времени, стоящие ближе к настоящему (нулевому) моменту времени. Чем дальше мы углубляемся в ретроспекцию, тем менее ценной для прогноза становится информация. Это можно учесть, придавая членам исходного динамического ряда некоторые веса, тем большие, чем ближе находится точка к началу периода прогноза.
Это положение лежит в основе метода экспоненциального сглаживания.
Сущность метода заключается в сглаживании исходного динамического ряда взвешенной скользящей средней, веса которой (ωi) подчиняются экспоненциальному закону.
Пусть исходный динамический ряд описывается полиномом следующего вида:
(7.32)
где,,… —коэффициенты;
р — порядок полинома;
, — случайная ошибка.
Метод экспоненциального сглаживания позволяет построить такое описание процесса (7.32), при котором более поздним наблюдениям придаются большие веса по сравнению с ранними наблюдениями, причем веса наблюдений убывают по экспоненте.
Выражение
(7.33)
называется экспоненциальной средней k-го порядка для ряда уt, где α — параметр сглаживания.
В расчетах экспоненциальную среднюю определяют, пользуясь рекуррентной формулой, полученной Брауном
(7.34)
Использование соотношения(6.34) предполагает задание начальных условий , которые могут быть определены по формуле Брауна- Мейера:
(7.35)
где p=1,2,…, n+1.
— оценки коэффициентов.
Оценки коэффициентов прогнозирующего полинома определяют через экспоненциальные средние по фундаментальной теореме Брауна— Мейера. В этом случае коэффициенты находят решением системы (p-1) уравнений с (p+1) неизвестными, связывающей параметры полинома с исходной информацией.
Рассмотрим применение метода экспоненциального сглаживания для двух наиболее употребительных случаев, когда тренд описывается линейной функцией и параболой.
Линейная модель Брауна
(7.36)
Начальные приближения для случая линейного тренда равны (по формуле (7.35)):
экспоненциальная средняя 1-го порядка:
; (7.37)
А экспоненциальная средняя 2-го порядка:
. (7.38)
Зная начальные условия и и значение параметра α, вычисляют экспоненциальные средние 1-го и 2-го порядка:
(7.39)
(7.40)
Оценки коэффициентов линейного тренда
(7.41)
(7.42)
Прогноз на L шагов (на время ) равен: .
Ошибка прогноза
(7.43)
Параболический тренд
(7.43)
Начальные приближения
(7.45)
(7.46)
(7.47)
Экспоненциальные средние
(7.48)
(7.49)
(7.50)
Оценки коэффициентов параболической зависимости для тренда
(7.51)
(7.52)
(7.53)
Прогноз на L шагов (на время ) равен:
. (7.54)
Ошибка прогноза
(7.55)
Для метода экспоненциального сглаживания основным и наиболее трудным моментом является выбор параметра сглаживания а, начальных условий и степени прогнозирующего полинома.
Параметр сглаживания а определяет оценки коэффициентов модели, а следовательно, результаты прогноза.
В зависимости от величины параметра прогнозные оценки по-разному учитывают влияние исходного ряда наблюдений: чем больше а, тем больше вклад последних наблюдений в формирование тренда, а влияние начальных условий убывает быстро. При малом а прогнозные оценки учитывают все наблюдения, при этом уменьшение влияния более ранней информации происходит медленно.
Для приближенной оценки а известны два основных соотношения:
• соотношение Брауна, выведенное из условия равенства скользящей и экспоненциальной средней
; (7.56)
где N — число точек ряда, для которых динамика ряда считается однородной и устойчивой (число точек в интервале сглаживания).
Иногда , где п - число наблюдений (точек) в ретроспективном динамическом ряду;
• соотношение Мейера
(7.57)
где — средняя квадратическая ошибка модели;
— средняя квадратическая ошибка исходного ряда.
Однако достоверно определить и из исходной информации очень сложно, поэтому использование соотношения (7.57) затруднено.
Очевидно, что выбор параметра а нужно связывать с точностью прогноза, поэтому для более обоснованного выбора а можно использовать процедуру обобщенного сглаживания.
В этом случае получаются следующие соотношения, связывающие дисперсию прогноза и параметр сглаживания а:
Для линейной модели
(7.58)
Для квадратичной модели
(7.59)
где
τ — период прогноза;
— средняя квадратическая ошибка аппроксимации исходного динамического ряда.
При a = 0 выражения, стоящие в правых частях формул (7.58), (7.59), обращаются в нуль, следовательно, для уменьшения ошибки прогноза необходимо выбирать минимальное а.
В то же время, чем меньше а, тем ниже точность определения начальных условий, а следовательно, ухудшается и качество прогноза.
Таким образом, использование формул (7.58), (7.59) приводит к противоречию при определении параметра сглаживания. В ряде случаев параметр а выбирают так, чтобы минимизировать ошибку прогноза, рассчитанного по ретроспективной информации.
Качество прогноза во многом зависит от выбора порядка прогнозирующего полинома. Известно, что превышение второго порядка модели не приводит к существенному увеличению точности прогноза, но значительно усложняет расчет.
Отметим в заключение, что метод экспоненциального сглаживания является одним из наиболее эффективных, надежных и широко применяемых методов прогнозирования. Он позволяет получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения, и при этом отличается простотой вычислительных операций.
Рассмотрим пример. Пусть задан временной ряд :
Год |
2004 |
2005 |
2006 |
2007 |
T |
1 |
2 |
3 |
4 |
|
|
|
|
|
|
40 |
43 |
46 |
48 |
Можно считать, что аппроксимирующая функция (тренд) описывается линейной функцией.
1. Определим коэффициенты прямой по методу наименьших квадратов. Для этого вычислим ряд промежуточных значений и их суммы. Результаты занесем в табл. 7.3.
Таблица 7.3
Расчетная таблица
Год |
Период, t |
Факт. Знач. |
Расчётные значения |
|||
2004 |
1 |
40 |
1 |
40 |
40,2 |
0,2 |
2005 |
2 |
43 |
4 |
86 |
42,9 |
-0,1 |
2006 |
3 |
46 |
9 |
138 |
45,6 |
-0,4 |
2007 |
4 |
48 |
16 |
192 |
48,3 |
0,3 |
Итого |
10 |
177 |
30 |
456 |
- |
- |
Далее найдем
Окончательно уравнение прямой имеет вид
у = 37,5 + 2,7t.
Подставив в него значения t = 1, 2, 3, 4, получим расчетные значения тренда (табл. 6.3).
Основная ошибка
2. Параметр сглаживания
3. Начальные условия
(7.48)
4. Для t = 2 вычислим экспоненциальные средние:
значения коэффициентов:
прогнозируемые значения:
отклонения от фактического значения:
Аналогичные вычисления выполним для t = 3 (2006 г.), t = 4 (2007г.), t = 5 (2008 г.).
Результаты представим в табл. 7.4.
Таблица 7.4
Типовая таблица для построения прогноза по методу
экспоненциального сглаживания
Год |
Период, t |
Факт. Знач. |
Расчётные значения |
|||||
|
||||||||
2004 |
1 |
40 |
|
|
|
|
|
|
2005 |
2 |
43 |
36 |
32 |
40 |
2,6 |
42,6 |
-0,1 |
2006 |
3 |
46 |
38,6 |
34,6 |
42,6 |
2,7 |
45,3 |
-0,4 |
2007 |
4 |
48 |
41,6 |
37,4 |
45,8 |
2,8 |
48,6 |
0,3 |
2008 |
L=1 |
- |
44,2 |
40,1 |
48,3 |
2,7 |
51 |
- |
Для t=3 (2006 г.):
Для t=4 (2007 г.):
Для построения модели прогноза на 2008 г. (L. = I) определим
Окончательная модель прогноза имеет вид
гдеL = 1, 2, ... (что соответствует 2008, 2009 гг., и т. д.).
Ошибка прогноза