- •Автор-составитель:
- •Цели и задачи дисциплины
- •Требования к уровню освоения дисциплины
- •Объем дисциплины
- •Объем дисциплины и виды учебной работы
- •Распределение часов по темам и видам учебной работы
- •Содержание курса
- •Тема 1. Задачи эконометрики в области социально-экономических исследований. Основные этапы эконометрического моделирования.
- •Тема 2. Классическая и обобщенная линейные модели множественной регрессии.
- •Тема 3. Линейные регрессионные модели с переменной структурой.
- •Тема 4. Нелинейные регрессионные модели и их линеаризация.
- •Тема 5. Динамические регрессионные модели.
- •Темы практических занятий
- •Тема 3. Линейные регрессионные модели с переменной структурой. (Практическое занятие).
- •Тема 4. Нелинейные регрессионные модели и их линеаризация. (Практическое занятие).
- •Тема 5. Динамические регрессионные модели. (Практическое занятие).
- •Тема 6. Прогнозирование, основанное на использовании моделей временных рядов. (Практическое занятие).
- •Тема 7. Системы линейных одновременных уравнений. (Практическое занятие).
- •Тема 8. Идентификация систем одновременных уравнений. (Практическое занятие).
- •Задания для самостоятельной работы студентов
- •Задача 2.1.
- •Задача 2.2.
- •Задача 2.3.
- •Задача 2.4.
- •Задача 2.5.
- •Задача 2.6.
- •Задача 2.7.
- •Задача 2.12.
- •Задача 2.13.
- •Задача 4.1.
- •Задача 4.2.
- •Задача 4.3.
- •Задача 4.4.
- •Варианты контрольных работ и методические указания по их выполнению
- •Тема 1. Задачи эконометрики в области социально-экономических исследований. Основные этапы эконометрического моделирования.
- •Регрессионные модели с одним уравнением
- •Системы одновременных уравнений
- •Тема 2. Классическая и обобщенная линейные модели множественной регрессии.
- •Тема 3. Линейные регрессионные модели с переменной структурой.
- •Тема 4. Нелинейные модели регрессии и их линеаризация.
- •Тема 5. Модели стационарных и нестационарных временных рядов.
- •Тема 6. Прогнозирование, основанное на использовании моделей временных рядов.
- •Тема 7. Системы линейных одновременных уравнений.
- •Тема 8. Идентификация систем одновременных уравнений.
- •Варианты контрольных работ.
- •Вариант 1.
- •Вариант 2.
- •Вариант 3.
- •Вариант 4.
- •Вариант 5.
- •Вариант 6.
- •Вариант 7.
- •Вариант 8.
- •Вариант 9.
- •Вариант 10.
- •Вариант 11.
- •Вариант 12.
- •Вариант 13.
- •Вариант 14.
- •Вариант 15.
- •Вариант 16.
- •Вариант 17.
- •Вариант 18.
- •Вариант 19.
- •Вариант 20.
- •Вариант 21.
- •Вариант 22.
- •Вариант 23.
- •Вариант 24.
- •Вариант 25.
- •Вопросы для подготовки к экзамену
- •Учебно-методическое обеспечение дисциплины
- •Литература
- •Методическое обеспечение дисциплины
- •Материально-техническое и информационное обеспечение дисциплин
Тема 6. Прогнозирование, основанное на использовании моделей временных рядов.
Характерной чертой адаптивных методов прогнозирования является их способность непрерывно учитывать эволюцию динамических характеристик изучаемых процессов, «адаптироваться» к этой эволюции, придавая тем больший вес, тем более высокую информационную ценность имеющимся наблюдениям, чем ближе они к текущему моменту прогнозирования.
В основе процедуры адаптации лежит метод проб и ошибок. По модели делается прогноз на один интервал по времени. Через один шаг моделирования анализируется результат: насколько он далек от фактического значения. Затем в соответствии с моделью происходит корректировка. После этого процесс повторяется. Таким образом, адаптация осуществляется рекуррентно с получением каждой новой фактической точки ряда.
Методы экспоненциального сглаживания. Модель Брауна.
Пусть анализируемый временной ряд x(t) представлен в виде:
x(t) = a0 + ε(t),
где a0 – неизвестный параметр, не зависящий от времени, ε(t) - случайный остаток со средним значением, равным нулю, и конечной дисперсией.
В соответствии с методом Брауна прогноз x*(t+τ) для неизвестного значения x(t+τ) по известной до момента времени t траектории ряда x(t) строится по формуле:
x*(t; τ) = S(t),
где значение экспоненциально взвешенной скользящей средней S(t) определяется по рекуррентной формуле:
S(t)= αx(t) + (1-α) S(t-1).
Коэффициент сглаживания α можно интерпретировать как коэффициент дисконтирования, характеризующий меру обесценивания информации за единицу времени. Из формулы следует, что экспоненциально взвешенная скользящая средняя является взвешенной суммой всех уровней ряда x(t), причем веса уменьшаются экспоненциально по мере удаления в прошлое.
В качестве S(0) берется, как правило, среднее значение ряда динамики или среднее значение нескольких начальных уровней ряда.
Случай линейного тренда: x(t) = a0 + a1t + ε(t).
В этом случае прогноз x*(t; τ) будущего значения определяется соотношением:
x*(t; τ) = ,
а пересчет коэффициентов осуществляется по формулам:
Начальные значения коэффициентов берутся из оценки тренда линейной функцией.
Модель Хольта.
В модели Хольта введено два параметра сглаживания α1 и α 2 (0< α 1, α 2 <1). Прогноз x*(t;l) на l шагов по времени определяется формулой:
x*(t; τ) = ,
а пересчет коэффициентов осуществляется по формулам:
Модель Хольта-Уинтерса.
Эта модель помимо линейного тренда учитывает и сезонную составляющую. Прогноз x*(t;τ) на τ шагов по времени определяется формулой:
x*(t;τ) = ,
где f(t) – коэффициент сезонности, а T – число временных тактов (фаз), содержащихся в полном сезонном цикле.
Видно, что в данной модели сезонность представлена мультипликативно. Формулы обновления коэффициентов имеют вид:
Модель Тейла-Вейджа.
Если исследуемый временной ряд имеет экспоненциальную тенденцию с мульти-пликативной сезонностью, то после логарифмирования обеих частей уравнения получается модель с линейной тенденцией и аддитивной сезонностью или модель Тейла-Вейджа.
Имеется модель:
x(t) = a0(t) + g(t) + δ(t),
a0(t) = a0(t-1) + a1(t).
Здесь a0(t) – уровень процесса после устранения сезонных колебаний, a1(t) – аддитивный коэффициент роста, ω(t) – аддитивный коэффициент сезонности и δ(t) – белый шум.
Прогноз x*(t;τ) на τ шагов по времени определяется формулой:
x*(t;τ) = .
Коэффициенты вычисляются рекуррентным способом по формулам:
Для определения оптимальных значений параметров адаптации перебирают различные наборы их значений и сравнивают получающиеся при этом среднеквадратические ошибки прогнозов.