Тема: Методы сглаживания временных рядов в изучении динамики производственных показателей (на примере выпуска продукции)

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
Временные ряды как объект статистического изучения
Система статистических показателей, характеризующих изучаемое явление
Применение метода прогнозирования в изучении динамики выпуска
ВЫВОДЫ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

(2.2)Тогда для сглаживания сезонных колебаний при работе с временными рядамиквартальной или месячной динамики можно использовать следующие скользящиесредние (для квартальной и месячной динамики соответственно):. (2.3). (2.4)При использовании скользящей средней с длиной активного участка g=2p+1, первые и последние p уровней ряда сгладить нельзя, их значения «теряются».«Потеря» значений последних точек является существеннымнедостатком, т.к. для исследователя последние "свежие" данные обладаютнаибольшей информационной ценностью. Рассмотрим один из приемов,позволяющих восстановить потерянные значения временного ряда. Для этогонеобходимо:Вычислить средний прирост на последнем активном участке , (2.5)где g- длина активного участка;- значение последнего уровня на активном участке;- значение первого уровня на активном участке;-средний абсолютный прирост.2) Получить P сглаженных значений в конце временного ряда путемпоследовательного прибавления среднего абсолютного прироста к последнемусглаженному значению.Аналогичную процедуру можно реализовать для оценивания первых уровнейвременного ряда.Метод простой скользящей средней применим, если графическое изображениединамического ряда напоминает прямую. Когда тренд выравниваемого ряда имеетизгибы, и для исследователя желательно сохранить мелкие волны, применениепростой скользящей средней нецелесообразно.Если для процесса характерно нелинейное развитие, то простая скользящаясредняя может привести к существенным искажениям. В таком случае болеенадежным является использование взвешенной скользящей средней.Применение метода прогнозирования в изучении динамики выпускаЭкстраполятивные методы прогнозирования одни из самых точных методов прогнозирования, если применяются правильно. Данная группа методов прогнозирования применяется в ситуациях, когда имеется определенный тренд, который, ожидается, будет продолжаться и в будущем Для успешного применения методов экстраполяции необходимо наличие довольно длинных временных рядов данных. Метод экспоненциального сглаживания, по сравнению с другими методами прогноза, имеет достоинства и недостатки. В числе достоинств метода необходимо отметить его точность, которая увеличивается с увеличением числа уровней динамического ряда. Недостатком метода является то, что отсутствует точный метод для выбора оптимальной величины параметра сглаживания. Точность прогноза по этому методу падает с увеличением прогнозного интервала. Он эффективен для краткосрочных прогнозов, в прочих условиях его можно использовать для получения приближенных оценок [5, с. 77].С помощью скользящей средней успешно прогнозируются временные ряды, однако на практике этот метод используется редко из-за грубых результатов.При использовании метода наименьших квадратов, метода скользящих средних, гармонических весов прогнозируется только детерминированная компонента ряда динамики и не учитывается случайная компонента. Чтобы сделать прогноз более точным, надо отыскать закономерность изменения во времени этой случайной величины и сделать ее прогноз. Затем результаты прогноза детерминированной и случайной компонент объединяются. Сумма двух полученных таким образом прогнозов дает общий суммарный прогноз экономического показателя по одному ряду динамики.ВЫВОДЫТаким образом, можносделать следующие выводы и обобщения из работы:-Статистические методы прогнозирования - научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных; развитие теории и практики вероятностно-статистического моделирования экспертных методов прогнозирования, в том числе методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; методов прогнозирования в условиях риска и комбинированных методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей.- Статистические методы прогнозирования основаны на использовании количественной информации о состоянии и поведении исследуемого объекта. Эта информация является ретроспективной, т.е. она описывает состояние и поведение объекта в прошлые моменты времени. Исследователь, анализируя эту информацию, выявляет качественную картину поведения объекта в прошлом, определяет тенденцию его развития.- Экстраполятивные методы прогнозирования одни из самых точных методов прогнозирования, если применяются правильно. Данная группа методов прогнозирования применяется в ситуациях, когда имеется определенный тренд, который, ожидается, будет продолжаться и в будущем Для успешного применения методов экстраполяции необходимо наличие довольно длинных временных рядов данных. С помощью скользящей средней успешно прогнозируются временные ряды, однако на практике этот метод используется редко из-за грубых результатов.При использовании метода наименьших квадратов, метода скользящих средних, гармонических весов прогнозируется только детерминированная компонента ряда динамики и не учитывается случайная компонента. СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫАдамов В.Е., Вергилес Э.В. Статистика промышленности: Учебник. – М.: Финансы и статистика, 2005. – 326 с.Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие для вузов. – М.: Высшая школа, 2003. – 479 с.Мизина Е.В. Статистика. Курс лекций. – Д.: ДонГТУ, 2001. – 256 с.Орлов А.И. Прикладная статистика. – М.: Экзамен, 2006. – 671 с.Орлов А.И. Эконометрика. – М.: Экзамен, 2004. – 576 с.Статистика: термины и определения: Учеб. пособие для вузов / Баженова С.Г., Попович Н.К., Велесевич В.И. и др. / Ред. совет: Л.А. Пучков и др. – М.: Высшая школа, 2005. – 338 с.Статистическое моделирование и прогнозирование: Учеб. пособие / Г.М. Гамбаров, Н.М. Журавель, Ю.Г. Королев и др. / Под ред. А.Г. Гранберга. – М.: Финансы и статистика, 2000. – 340 с.