Навігація
Головна
КОМПЛЕКСНА СИСТЕМА ПЛАНУВАННЯ ТА ПРОГНОЗУВАННЯ СОЦІАЛЬНО-ЕКОНОМІЧНОГО...Стратегія соціально-економічного розвитку. Програмування та...Прогнозування соціально-економічного розвитку з урахуванням збитку...Прогнозування соціально-економічного розвитку з урахуванням збитків...Найважливіші тенденції у розвитку економічної і соціальної географії
Вивчення структури часових рядівВиявлення тенденцій у ряді даних за допомогою ковзних середніхВиявлення тенденцій за допомогою локальних поліноміальних регресій...Методи прогнозування з використанням часових рядівНові тенденції у вивченні отроцтва (Л.С. Виготський, А.Н. Леонтьєв,...
 
Головна arrow Економіка arrow Методи соціально-економічного прогнозування. Т.2.
< Попередня   ЗМІСТ   Наступна >

Вступ

data-override-format="true" data-page-url = "http://stud.com.ua">

У попередньому томі ми розглянули загальнотеоретичні питання соціально-економічного прогнозування і звернулися до базових економетричних методів, що дозволяє моделювати і прогнозувати різні залежності між показниками. Без цих знань перейти до практичного прогнозуванню вкрай важко. Очевидно, що арсенал методів соціально-економічного прогнозування не обмежується тільки інструментарієм кореляційного і регресійного аналізу, а також застосуванням елементарних статистичних методів. Крім того, розглянуті нами в першому томі методи і моделі призначені в основному для застосування їх в оборотних процесах. У реальності в економіці частіше зустрічаються незворотні процеси, в яких використання статистичних методів не завжди дає адекватні результати. У цих умовах потрібно вміти аналізувати динаміку прогнозованого показника, розуміти, що собою являє ця динаміка, і підбирати відповідну прогнозну модель.

Ряд досліджень в галузі прогнозування показав, що використання складних, статистично обгрунтованих методів необов'язково веде до збільшення в точності прогнозів. Так, наприклад, в ході змагання М3 [1] в 2000 р найбільш точною виявилася модель "Theta", яка не має на той момент ніякого статистичного обгрунтування. У той же час моделі авторегресії, що вважаються статистично обгрунтованими, виявилися недостатньо точними. У схожому дослідженні по туристичним даними [2] регресійні моделі виявилися самими неточними прогнозними моделями (поступившись моделям експоненціального згладжування і авторегресії). Ці результати, звичайно, не говорять про принципову незастосовність методів регресійної-кореляційного аналізу в прогнозуванні економіки, проте вони свідчать про те, що практикуючий прогнозист повинен мати у своєму розпорядженні значно більший інструментарій методів і моделей прогнозування, ніж пропонує йому математична статистика. Саме тому в галузі прогнозування соціально-економічних процесів та розроблено низку специфічних методів і моделей

У другому томі підручника ми звертаємося до моделям і методам прогнозування тенденцій, а також до більш просунутих методів побудови моделей, що враховує властивість незворотності економічних процесів, у тому числі і еволюційний характер динаміки.

ПРОГНОЗУВАННЯ СОЦІАЛЬНО ЕКОНОМІЧНИХ ТЕНДЕНЦІЙ

У результаті освоєння даної глави студент повинен:

знати

• поняття "тенденція" і "тренд";

• основні поняття, методи та інструменти кількісного та якісного аналізу тенденцій соціально-економічних процесів;

data-override-format="true" data-page-url = "http://stud.com.ua">

вміти

• виявляти тип тенденції і підібрати модель тренда;

• оцінювати коефіцієнти моделі тренда і використовувати їх для прогнозування;

• оцінювати довірчі межі моделей трендів;

володіти

• методами та методиками аналізу структури часових рядів;

• простими методами прогнозування тенденцій.

Вивчення структури часових рядів і виявлення виду тенденцій

Стандартний підхід до аналізу часових рядів та прогнозуванню, найчастіше має місце на практиці, спирається на апріорному припущенні про те, що процес, з яким стикається аналітик, генерується за допомогою якої-небудь математичної моделі. Наприклад [3]:[3]

(5.1)

тут у t - значення показника в момент часу ξ, - деяка детермінована функція; εt - випадкова компонента. Стандартні припущення, що накладаються на випадкову компоненту, полягають η тому, що вона розподілена нормально з нульовим математичним очікуванням і деякої постійної в часі дисперсією:

(5.2)

Також вважається, що компонента не повинна корелювати з елементами детермінованою функції (умова відсутності ендогенних) і з компонентами на інших спостереженнях (відсутність автокореляції).

Всі ці припущення дозволяють в підсумку використовувати стандартний підхід: визначити детерміновану функцію ξt, що дозволить дати прогноз показника у t і побудувати прогнозні довірчі інтервали.

Очевидно, що ніякої соціально-економічний процес не генерується відповідно до якої б то не було математичної функцією - економічна практика складна й різноманітна, на будь-яке явище впливає безліч різних чинників, а подібне допущення про "генерації по деякому принципом" занадто грубо і некоректно . У реальності ми можемо лише говорити про те, що ми намагаємося описати те чи інше явище чи процес за допомогою деякої математичної функції, і припускаємо, що обрана нами модель дозволить описати його краще за всіх інших моделей. Саме цей сенс і вкладається в припущення про те, що "досліджуваний показник генерується відповідно до функцією (5.1)".

data-override-format="true" data-page-url = "http://stud.com.ua">

Допущення щодо випадкової компоненти зазвичай служать деяким індикатором досягнення мети дослідником. Так, якщо йому вдалося побудувати модель, залишки якої розподілені нормально з постійною дисперсією і не корелюють один з одним при тимчасових зрушеннях, то це звичайно вказує на точність підбору детермінованою функції ξt. Перевірка залишків на відповідність цим припущенням на практиці зазвичай зводиться до перевірки статистичних гіпотез, щодо яких, втім, ніколи не можна зробити однозначного висновку. Перевірка гіпотез зводиться до вирішення аналітиком питання про те, чи є в наявних у його розпорядженні даних підстави відхилити нульову гіпотезу або ж їх немає (див. Параграф 3.4). Звичайно ж, прийняте в результаті рішення жодною мірою не вказує на наявність або відсутність автокореляції, гетероскедастичності і нормальності розподілу залишків, а лише служить індикатором того, чи варто зупинитися на обраної моделі або ж має сенс підібрати модель краще.

На практиці досліднику для прогнозування найчастіше досить отримати симетрично розподілені залишки [4], що говорить про те, що у моделі немає систематичних завищень небудь занижень. Дослідження, що проводилися С. Макрідакісом, показали, що моделі з ненормально розподіленими залишками і автокореляцією можуть давати прогноз не гірше моделей з нормально розподіленими залишками і без автокореляції [5]. Справа в тому, що реальність значно складніше і менш передбачувана, ніж це представляється в статистичних та економетричних книгах, що використання складних статистичних моделей не завжди веде до збільшення точності прогнозів [6].[5][6]

Отже, можна стверджувати, що для коректного моделювання і прогнозування економічних процесів необхідно описати той чи інший процес за допомогою деякої математичної моделі (а можливо, і за допомогою декількох моделей), залишки εt якої повинні бути розподілені хоча б симетрично.

Однак для того, щоб більш точно визначити, яку саме математичну модель використовувати замість ξt, потрібно попередньо чи зменшити помилку εt або зовсім позбутися її.

  • [1] Makridakis S., Hibon М. The М3 - competition: Results, conclusions and implications // International Journal of Forecasting. 2000. № 16. P. 451-476.
  • [2] Athanasopoulos George, Hyndman Rob J., Song Haiyan, W u Doris C. The tourism forecasting competition // International Journal of Forecasting. 2011. № 27. P. 822-844.
  • [3] Лукашин Ю. П. Адаптивні методи короткострокового прогнозування часових рядів: навч, посібник. М .: Фінанси і статистика, 2003. С. 19.
  • [4] Семеничев В. К., Семеничев Є. В. Параметрична ідентифікація рядів динаміки: структури, моделі, еволюція. Самара: Изд-во СамНЦ РАН, 2 011.
  • [5] Maktidakis S. The art and science of forecasting: An assessment and fut ure directions // International Journal of Forecasting. 1986. № 2. P. 15-39.
  • [6] Maktidakis 5., Hibon M. The М3 - competition: Results, conclusions and implications // International Journal of Forecasting. 2000. № 16. P. 451-476.
 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >

Cхожі теми

КОМПЛЕКСНА СИСТЕМА ПЛАНУВАННЯ ТА ПРОГНОЗУВАННЯ СОЦІАЛЬНО-ЕКОНОМІЧНОГО РОЗВИТКУ ЕКОНОМІКИ РОСІЙСЬКОЇ ФЕДЕРАЦІЇ
Стратегія соціально-економічного розвитку. Програмування та прогнозування
Прогнозування соціально-економічного розвитку з урахуванням збитку від надзвичайних ситуацій
Прогнозування соціально-економічного розвитку з урахуванням збитків від надзвичайних ситуацій
Найважливіші тенденції у розвитку економічної і соціальної географії
Вивчення структури часових рядів
Виявлення тенденцій у ряді даних за допомогою ковзних середніх
Виявлення тенденцій за допомогою локальних поліноміальних регресій (LOESS)
Методи прогнозування з використанням часових рядів
Нові тенденції у вивченні отроцтва (Л.С. Виготський, А.Н. Леонтьєв, Д. Б. Ельконін, Л. І. Божович)
 
Дисципліни
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук