Рекомендуемая категория для самостоятельной подготовки:
Реферат*
Код |
309673 |
Дата создания |
08 июля 2013 |
Страниц |
23
|
Мы сможем обработать ваш заказ (!) 24 декабря в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Содержание
Введение
Глава 1. Прогнозирование
1.1. Критерии качества прогнозных моделей
1.2. Проработка спецификации
1.3. Разработка прогнозной модели
1.4. Технология создания систем прогнозирования
Глава 2. Классификация прогнозных моделей
2.1. Методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем
2.1.1. «Наивные» модели прогнозирования
2.1.2. Средние и скользящие средние
2.1.3. Методы Хольта и Брауна
2.1.4. Метод Винтерса
2.1.5. Регрессионные методы прогнозирования
2.2. Методы Бокса-Дженкинса (ARIMA)
2.2.1. AR(p) -авторегрессионая модель порядка p.
2.2.2. MA(q) -модель со скользящим средним порядка q.
Заключение
Литература
Введение
Статистические методы прогнозирования социально-экономических явлений
Фрагмент работы для ознакомления
3. Методы Бокса-Дженкинса (ARIMA, ARMA)
2.1. Методы прогнозирования, основанные на сглаживании, экспоненциальном сглаживании и скользящем среднем
2.1.1. «Наивные» модели прогнозирования
При создании «наивных» моделей предполагается, что некоторый последний период прогнозируемого временного ряда лучше всего описывает будущее этого прогнозируемого ряда, поэтому в этих моделях прогноз, как правило, является очень простой функцией от значений прогнозируемой переменной в недалеком прошлом.
Самой простой моделью является
Y(t+1)=Y(t),
что соответствует предположению, что «завтра будет как сегодня».
Вне всякого сомнения, от такой примитивной модели не стоит ждать большой точности [9]. Она не только не учитывает механизмы, определяющие прогнозируемые данные (этот серьезный недостаток вообще свойственен многим статистическим методам прогнозирования), но и не защищена от случайных флуктуаций, она не учитывает сезонные колебания и тренды. Впрочем, можно строить «наивные» модели несколько по-другому
Y(t+1)=Y(t)+[Y(t)-Y(t-1)],
Y(t+1)=Y(t)*[Y(t)/Y(t-1)],
такими способами мы пытаемся приспособить модель к возможным трендам
Y(t+1)=Y(t-s),
это попытка учесть сезонные колебания
2.1.2. Средние и скользящие средние
Самой простой моделью, основанной на простом усреднении является
Y(t+1)=(1/(t))*[Y(t)+Y(t-1)+...+Y(1)],
и в отличии от самой простой «наивной» модели, которой соответствовал принцип «завтра будет как сегодня», этой модели соответствует принцип «завтра будет как было в среднем за последнее время». Такая модель, конечно более устойчива к флуктуациям, поскольку в ней сглаживаются случайные выбросы относительно среднего. Несмотря на это, этот метод идеологически настолько же примитивен как и «наивные» модели и ему свойственны почти те же самые недостатки [13].
В приведенной выше формуле предполагалось, что ряд усредняется по достаточно длительному интервалу времени. Однако как правило, значения временного ряда из недалекого прошлого лучше описывают прогноз, чем более старые значения этого же ряда. Тогда можно использовать для прогнозирования скользящее среднее
Y(t+1)=(1/(T+1))*[Y(t)+Y(t-1)+...+Y(t-T)],
Смысл его заключается в том, что модель видит только ближайшее прошлое (на T отсчетов по времени в глубину) и основываясь только на этих данных строит прогноз.
При прогнозировании довольно часто используется метод экспоненциальных средних, который постоянно адаптируется к данным за счет новых значений. Формула, описывающая эту модель записывается как
Y(t+1)=a*Y(t)+(1-a)*^Y(t),
где Y(t+1) – прогноз на следующий период времени, Y(t) – реальное значение в момент времени t
^Y(t) – прошлый прогноз на момент времени t
a – постоянная сглаживания (0<=a<=1))
В этом методе есть внутренний параметр a, который определяет зависимость прогноза от более старых данных, причем влияние данных на прогноз экспоненциально убывает с «возрастом» данных. Зависимость влияния данных на прогноз при разных коэффициентах a приведена на графике.
Видно, что при a->1, экспоненциальная модель стремится к самой простой «наивной» модели. При a->0, прогнозируемая величина становится равной предыдущему прогнозу [11].
Если производится прогнозирование с использованием модели экспоненциального сглаживания, обычно на некотором тестовом наборе строятся прогнозы при a=[0.01, 0.02, ..., 0.98, 0.99] и отслеживается, при каком a точность прогнозирования выше. Это значение a затем используется при прогнозировании в дальнейшем.
Хотя описанные выше модели («наивные» алгоритмы, методы, основанные на средних, скользящих средних и экспоненциального сглаживания) используются при бизнес-прогнозировании в не очень сложных ситуациях, например, при прогнозировании продаж на спокойных и устоявшихся западных рынках, мы не рекомендуем использовать эти методы в задачах прогнозирования в виду явной примитивности и неадекватности моделей.
Вместе с этим хотелось бы отметить, что описанные алгоритмы вполне успешно можно использовать как сопутствующие и вспомогательные для предобработки данных в задачах прогнозирования. Например, для прогнозирования продаж в большинстве случаев необходимо проводить декомпозицию временных рядов (т.е. выделять отдельно тренд, сезонную и нерегулярную составляющие) [15]. Одним из методов выделения трендовых составляющих является использование экспоненциального сглаживания.
2.1.3. Методы Хольта и Брауна
В середине прошлого века Хольт предложил усовершенствованный метод экспоненциального сглаживания, впоследствии названный его именем. В предложенном алгоритме значения уровня и тренда сглаживаются с помощью экспоненциального сглаживания. Причем параметры сглаживания у них различны.
Здесь первое уравнение описывает сглаженный ряд общего уровня.
Второе уравнение служит для оценки тренда. Третье уравнение определяет прогноз на p отсчетов по времени вперед.
Постоянные сглаживания в методе Хольта идеологически играют ту же роль, что и постоянная в простом экспоненциальном сглаживании. Подбираются они, например, путем перебора по этим параметрам с каким-то шагом. Можно использовать и менее сложные в смысле количества вычислений алгоритмы. Главное, что всегда можно подобрать такую пару параметров, которая дает большую точность модели на тестовом наборе и затем использовать эту пару параметров при реальном прогнозировании.
Частным случаем метода Хольта является метод Брауна, когда a=ß.
2.1.4. Метод Винтерса
Хотя описанный выше метод Хольта (метод двухпараметрического экспоненциального сглаживания) и не является совсем простым (относительно «наивных» моделей и моделей, основанных на усреднении), он не позволяет учитывать сезонные колебания при прогнозировании. Говоря более аккуратно, этот метод не может их «видеть» в предыстории. Существует расширение метода Хольта до трехпараметрического экспоненциального сглаживания. Этот алгоритм называется методом Винтерса [19]. При этом делается попытка учесть сезонные составляющие в данных. Система уравнений, описывающих метод Винтерса выглядит следующим образом:
Дробь в первом уравнении служит для исключения сезонности из Y(t). После исключения сезонности алгоритм работает с «чистыми» данными, в которых нет сезонных колебаний. Появляются они уже в самом финальном прогнозе, когда «чистый» прогноз, посчитанный почти по методу Хольта умножается на сезонный коэффициент.
2.1.5. Регрессионные методы прогнозирования
Наряду с описанными выше методами, основанными на экспоненциальном сглаживании, уже достаточно долгое время для прогнозирования используются регрессионные алгоритмы. Коротко суть алгоритмов такого класса можно описать так.
Существует прогнозируемая переменная Y (зависимая переменная) и отобранный заранее комплект переменных, от которых она зависит - X1, X2, ..., XN (независимые переменные). Природа независимых переменных может быть различной. Например, если предположить, что Y - уровень спроса на некоторый продукт в следующем месяце, то независимыми переменными могут быть уровень спроса на этот же продукт в прошлый и позапрошлый месяцы, затраты на рекламу, уровень платежеспособности населения, экономическая обстановка, деятельность конкурентов и многое другое [6]. Главное - уметь формализовать все внешние факторы, от которых может зависеть уровень спроса в числовую форму.
Модель множественной регрессии в общем случае описывается выражением
В более простом варианте линейной регрессионной модели зависимость зависимой переменной от независимых имеет вид:
Здесь - подбираемые коэффициенты регрессии,
e- компонента ошибки. Предполагается, что все ошибки независимы и нормально распределены.
Для построения регрессионных моделей необходимо иметь базу данных наблюдений примерно такого вида [17]:
переменные
независимые
зависимая
№
X1
X2
...
XN
Y
1
x_11
x_12
...
x_1N
Y_1
2
x_21
x_22
...
x_2N
Y_2
...
...
...
...
...
...
m
x_M1
x_M2
...
Список литературы
1.Голуб Л. А. Социально-экономическая статистика. 2003
2.Бурцева С. А. Статистика финансов. 2004
3.Громыко Г.Л. Теория статистики. 2007
4.Елисеева И. И., Силаева С. А., Щирина А. Н. Практикум по макроэкономи-ческой статистике. 2007
5.Елисеева И.И. Общая теория статистики: Учебник для ВУЗов. – М.: Фи-нансы и статистика, 2004.
6.Ефимова М.Р., Петрова Е.В., Румянцев В.Н. Общая теория статистики: Учебник. - М.: ИНФРА-М, 2002.
7.Ефимова М. Р., Бычкова С. Г. Практикум по социальной статистике. 2005
8.Теория статистики: Учебник. / Под ред. Р.А. Шмойловой. - М.: Финансы и статистика, 2002.
9.Назаров М. Г. Курс социально-экономической статистики. 2003
10.Палий И.А. Прикладная статистика. 2007
11.Курс социально-экономической статистики: Учебник для вузов / Под ред. Проф. М.Г.
12.Практикум по социальной статистике: Учеб.пособие/ Под ред. И.И.Елисеевой.-М.: Финансы и статистика, 2002.
13.Экономическая статистика: Учебник / Под ред. Ю.Н. Иванова. - М.: ИН-ФРА-М, 2002.
14.Кибанов А.Я. «Экономика и социология труда: Учебник». – М.: ИНФРА-М, 2003. – 584с.
15.Липсиц И.В. «Экономика: учебник для вузов». – М.: Омега-Л, 2006. – 656с. – (Высшее экономическое образование).
16.Октябрьский П.Я. «Статистика: Учебник». – М.: ТК Велби, Изд-во Про-спект, 2005.-328с.
17.Остапенко Ю.М. «Экономика труда: Учеб. пособие». – М.: ИНФРА-М, 2006 – 268с. – (Высшее образование).
18.Хейне П., Боуттке П., Причитко Д. «Экономический образ мышления», 10-е издание / пер. с англ. Гуреш Т.А. – М.: Изд. дом «Вильямс», 2005. – 544 с.
19.В.И. Антипов, И.Б. Колмаков, Ф.Ф. Пащенко. Социальные пробле-мы/проблемы прогнозирования // 2007 №4
20.Степанов С.В. Цена ошибки и стоимость качества исследования // Вопро-сы статистики // 2007№ 12
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.00356