Навігація
Головна
Моделі авторегресіїВизначення порядку моделі авторегресії зі ковзної середньоїОпис стаціонарного часового ряду авторегресії і ковзної середньоїМоделі авторегресіїМоделі і методи авторегресіїМоделі і методи авторегресіїОблік сезонності в моделях авторегресіїЕкстраполяція: регресія і авторегресіяМодель ковзної середньоїМоделі ковзної середньої
 
Головна arrow Економіка arrow Методи соціально-економічного прогнозування. Т.2.
< Попередня   ЗМІСТ   Наступна >

МОДЕЛІ авторегресії і ковзаючої середньої

У результаті освоєння даної глави студент повинен:

знати

• основні поняття, принципи, методи та інструменти аналізу та прогнозування соціально-економічних процесів за допомогою моделей авторегресії;

• сучасні теорії авторегресії;

• характеристики та властивості авторегресійних моделей та їх модифікацій;

вміти

• визначати процеси, для прогнозування яких доречно застосування моделей авторегресії;

• будувати коррелограмми і давати інтерпретацію значень автокореляційної функції;

• знаходити величину лага і давати інтерпретацію цьому значенню;

володіти

• методами та методиками прогнозування за допомогою моделей авторегресії та їх модифікацій;

• методами та методиками побудови авторегресійних моделей з урахуванням сезонності соціально-економічних явищ;

• інформаційними технологіями побудови коррелограмм та оцінки коефіцієнтів моделей авторегресії та їх модифікацій.

Крім уже розглянутих нами моделей прогнозування соціально-економічних тенденцій є ще один великий клас моделей, що користується популярністю не тільки серед практикуючих прогнозистів, але й серед економістів-теоретиків за свою хорошу статистичну обгрунтованість. Це моделі авторегресії. Саме поняття "авторегресія" вже говорить про те, що в побудові регресійної моделі використовуються попередні значення показника.

Ідея, що лежить в основі цих моделей, цілком логічна і проста: якщо в якийсь момент часу t значення показника становило у t, то в наступні моменти часу t + 1, t + 2, ... t + h значення показника так чи інакше будуть залежати від отриманого на спостереженні t. Типовий приклад такої залежності - народжуваність в країні: на те, скільки народиться немовлят в 2014 р, впливає кількість немовлят, народжених 23-25 років тому. Можна навести безліч прикладів з економічної практики, в яких значення на одному спостереженні чисто технічно буде залежати від значення у попередньому. Наприклад, якщо в понеділок тапочки продавалися добре, то продажі у вівторок, швидше за все, будуть приблизно на порівнянному рівні. Навряд чи після продажів на рівні 10 тис. Послідують нульові продажу або продажу на рівні 100 тис. Такі події можуть відбутися тільки у виняткових випадках. Залежність в таких рядах дійсно є, але, звичайно ж, стверджувати, що значення продажів в понеділок породжує значення продажів у вівторок некоректно: зв'язок в даному випадку скоріше вказує на інерційність процесу продажів, ніж на існування якоїсь реальної залежності. Тому моделі авторегресії так само, як і моделі трендів або експоненціального згладжування, потрібно сприймати в першу чергу як інструмент опису реальності, ніж як інструмент, "розкриває реальні залежності".

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

У розвиток ідеї про те, що значення ряду залежить від попередніх своїх значень, з'явилася ідея про те, що значення ряду може залежати від випадкових помилок на попередніх спостереженнях. Моделі, що описують таку структуру, називаються моделями змінного середнього (не можна плутати їх з моделями, що обговорювалися нами в параграфі 5.1). Їх існування обумовлене припущенням про те, що в основі ряду даних лежить певна математична модель, відхилення від якої носять випадковий характер, але при цьому впливають на значення ряду в майбутньому. Очевидно, що це якась абстракція, що дозволяє при цьому більш точно апроксимувати часові ряди.

Моделі, що об'єднують авторегресії зі ковзної середньої, носять назву авторегресії зі ковзної середньої - АРСС. В англійській мові вони відомі під абревіатурою ARMA. Найбільш докладно моделі класу ARMA були розглянуті в книзі Дж. Боксу і Г. Дженкінса "Аналіз часових рядів і прогнозування" [1].[1]

  • [1] Box George Е. Р., Jenkins Gwilym M. Time series analysis, forecasting and control. Holden-day, Inc., 1976.
 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >

Cхожі теми

Моделі авторегресії
Визначення порядку моделі авторегресії зі ковзної середньої
Опис стаціонарного часового ряду авторегресії і ковзної середньої
Моделі авторегресії
Моделі і методи авторегресії
Моделі і методи авторегресії
Облік сезонності в моделях авторегресії
Екстраполяція: регресія і авторегресія
Модель ковзної середньої
Моделі ковзної середньої
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук