- •1. Понятие о прогнозировании и математическом моделировании
- •1.1. Понятие о прогнозировании и прогностике
- •Современное состояние методологии прогнозирования
- •1.4. Понятие о математическом моделировании и его роли в прогнозировании
- •Корреляционный и регрессионный анализ
- •Первое уравнение системы (2.5.3) можно преобразовать к виду
- •Умножив обе части уравнения слева на матрицу , получим
- •Формулы для расчета показателей представлены в табл. 4.1.
- •Показатели динамики
- •Линейные модели тренда Предположим, что имеет место линейная зависимость т. Е.
- •Первое уравнение системы (4.5.3) можно преобразовать к виду
- •Полиномиальные модели прогнозирования
- •Найдем ковариационную матрицу оценок
- •Статистических моделей прогнозирования
Линейные модели тренда Предположим, что имеет место линейная зависимость т. Е.
. (4.5.1)
Найдем оценки коэффициентов a и b по фактическим данным об уровнях ряда (ti; yi) (i=1,…,n) так, чтобы сумма квадратов отклонений теоретической кривой от реальных данных была минимальной
(4.5.2)
или
. (4.5.2а)
Возьмем частные производные Q по параметрам a и b и приравняем их нулю
, (4.5.3)
.
Первое уравнение системы (4.5.3) можно преобразовать к виду
или
.
Второе уравнение можно преобразовать к виду
.
Таким образом, мы имеем систему уравнений
,
. (4.5.4)
Ее решение позволяет найти оценки параметров a и b.
Для упрощения расчетов (при нечетном количестве точек ряда – 2к+1) будем считать, что ряд образуется для моментов времени –к, -к+1, … 0, 1, 2, ….. к .
Тогда
и система уравнений имеет решение
,
. (4.5.5)
Полученная модель используется для прогноза показателя на момент времени tL
(4.5.6)
Ошибки в оценке параметров приводят к ошибке в оценке тренда (среднего уровня), т. е. величина (tL) является случайной.
Дисперсия ошибки прогноза оценивается по формуле
(4.5.7)
где y(tL)– истинное значение величины:
;
n – количество точек имеющегося временного ряда;
L – количество точек периода упреждения;
- оценка остаточной дисперсии.
Из формулы (4.5.7) следует, что дисперсия ошибки прогноза увеличивается с увеличением периода упреждения (L) и уменьшается с увеличением числа точек временного ряда (n).
ПРИМЕР. Опишем динамику добычи угля в Англии за ряд лет (табл. 4.2) линейной зависимостью.
Таблица 4.2
ti |
yi |
ti2 |
yiti |
i |
1 |
227 |
1 |
227 |
-6,3 |
2 |
219 |
4 |
438 |
-2,7 |
3 |
209 |
9 |
627 |
2,9 |
4 |
197 |
16 |
788 |
10,5 |
5 |
193 |
25 |
965 |
10,0 |
6 |
200 |
36 |
1200 |
-1,4 |
7 |
199 |
49 |
1393 |
-4,8 |
8 |
197 |
64 |
1576 |
-7,2 |
9 |
191 |
81 |
1719 |
-5,6 |
10 |
177 |
100 |
1770 |
4,0 |
11 |
175 |
121 |
1925 |
1,6 |
12 |
167 |
144 |
2004 |
5,2 |
13 |
193 |
169 |
2509 |
-25,2 |
14 |
144 |
196 |
2016 |
19,4 |
Итого 105 |
2688 |
1015 |
19157 |
0 |
Система уравнений (4.5.4) имеет вид
,
откуда =225,1 ; = - 4,41, т. е. линейная модель имеет вид
.
При прогнозировании на 5 лет (tL=19) прогноз добычи угля по модели составит
.
Определим дисперсию ошибки прогноза по формуле (4.5.7), оценив предварительно остаточную дисперсию.
;
.
Средняя квадратичная ошибка прогноза при этом составит 14,0, а коэффициент вариации
%.
Такая точность прогноза является вполне приемлемой.