Предисловие к русскому изданию

из "Методы прогнозирования экономических показателей "

В прогнозировании можно идти двумя путями. Первый — попытаться вскрыть причинно-следственный механизм, т. е. найти факторы, определяющие поведение прогнозируемого показателя, прогноз по которым либо известен, либо найти нетрудно. Этот путь приводит собственно к экономико-математическому моделированию построению модели поведения экономического объекта (статистические модели такого типа иногда называют эконометрическими). Второй путь — не вдаваясь в механику движения, попытаться предсказать будущее положение, анализируя временной ряд показателя изолированно. Именно такие методы изолированного анализа и прогнозирования рассматриваются в книге К. Д. Льюиса Метода прогнозирования экономических показателей . [c.5]
Методы прогнозирования существенно различаются в зависимости от того, является ли прогнозирование краткосрочным или среднесрочным. В первом случае прогноз строится на один-два момента времени (квартал, месяц, неделю и т. п.) вперед и, как правило, оперативен и непрерывен. В большинстве случаев краткосрочного прогнозирования данные берутся либо за месяц, либо за неделю соответственно прогноз необходимо построить на один-два месяца или неделю вперед. При среднесрочном прогнозировании данные, как правило, ежегодные, а прогноз необходима строить на 5—10 лет вперед. [c.5]
Указанные различия между задачами кратко- и среднесрочного прогнозирования приводят к необходимости решать их разными методами. В первом случае это основанные на идее экспоненциального сглаживания методы, впервые предложенные Р. Брауном [4], а во втором— методы выравнивания и экстраполяции трендов. [c.5]
В соответствии с задачами кратко- и среднесрочного прогнозирования и построена книга К- Д. Льюиса. [c.5]
Нам кажется, что прогнозирование спроса — далеко не единственная задача, которую можно решать этими методами, их потенциальные возможности гораздо шире. [c.6]
Проигрывая таким образом прогнозируемые ситуации, можно найти то значение коэффициента сглаживания а, которое обращает в минимум один из выписанных выше функционалов качества прогнозов. Аналогично можно оптимальным образом подбирать и длину базы , и начальный уровень сглаживания и0. [c.8]
Несколько замечаний о методе идентификации линейного тренда с помощью автокоррелограммы, предлагаемой автором книги. Такой метод выявления тренда кажется нам необоснованным. Визуализация тренда в автокорреляциях ряда (см. рис. 6.6 (б)) не прозрачнее тренда в исходном ряду показателя. Проще воспользоваться методами регрессионного анализа из второй части книги, т. е.. выделить линейный тренд в исходном ряду и проверить значимость коэффициента наклона. Эти процедуру нетрудно и автоматизировать. [c.8]
Перейдем к важному вопросу выбора оптимальной кривой. Выше нами было отмечено, что коэффициент детерминации при наличии тренда не может быть интерпретирован стандартным образом, как мера объяснения дисперсии зависимой переменной . Поэтому выбирать оптимальную кривую на основе этого коэффициента, как предлагает автор книги, нельзя. К. Д. Льюис соглашается с тем, что истинное сравнение качества подгонки по разным кривым необходимо осуществлять по качеству подгонки к фактическому ряду а не преобразованному, однако это условие следует усилить выбирать оптимальную кривую надо только таким образом. [c.9]
При выборе кривой весьма полезна процедура обучающей выборки, описанная выше (в эконометрии этот метод называют иногда прогноз экс-пост ). Допустим, необходимо построить среднесрочный прогноз некоторого показателя на 7 точек вперед по статистической базе в 20 точек. Для сравнения нескольких кривых на прогностическую точность оценим их на базе в 13 точек и построим по каждой из этих кривых прогноз на 20-й момент времени. Поскольку фактическое значение имеется, нетрудно выявить, какая из кривых дает лучшие результаты. [c.9]
Методы регрессионного анализа, в отличие, скажем, от методов экспоненциального сглаживания, дают, помимо самого прогноза, другую важнейшую характеристику качества прогноза, выражаемую в виде стандартной ошибки прогноза и его доверительного интервала. Не принимать во внимание эту характеристику значит не до конца воспользоваться всеми преимуществами, которые дает применение методов математической статистики. [c.9]
Прогнозирование — дело тонкое, иногда опасное , но необходимое. Процесс построения прогноза, особенно среднесрочного, трудно, а строго говоря, и невозможно автоматизировать. Часто модели, хорошо описывающие фактические данные, оказываются непригодными для прогнозирования, Значит ли это, что формальные методы, в частности, излагаемые в книге К. Д. Льюиса, бесполезны и не нужны Разумеется, нет. Их вредно и недооценивать, и переоценивать. С их помощью можно лучше понять процесс, вскрыть внешний (не причинно-след- j ственный) механизм формирования уровня показателя, найти характе-ристики его динамики и многое другое, что невозможно сделать неформальными методами. Особенно ценен расчет стандартных ошибок и доверительных интервалов прогноза (грубо, прогноз 2 стандартные ] ошибки). Они служат хорошими критериями качества (точности) прогноза. [c.10]
Эта книга для тех, кто хочет построить прогноз по временному ряду. [c.11]
Под прогнозом здесь понимается результат экстраполяции прошлого в будущее. Предполагается, что прогнозы строятся на основе некоторых объективных правил, которые определяют совокупность вычислений и действий, необходимых для получения прогноза, тогда как под предсказанием будем понимать некоторые субъективные оценки будущего. Прогнозы, таким образом, представляют собой несмещенные оценки будущих значений. Однако, если субъективные предсказания достаточно убедительно указывают на то, что несмещенные оценки будущего вряд ли возможны, прогнозы необходимо модифицировать, т. е. подправлять. Так, если известно, что большинство ваших постоянных покупателей в следующем месяце примут участие в забастовке, то объективный прогноз покупательного спроса, основанный на опыте предыдущих девяти месяцев, вряд ли будет правильным. [c.11]
С начала шестидесятых годов число промышленных предприятий и организаций, применяющих методы статистического анализа, неуклонно растет. В 1977 г. такими методами воспользовались в своей работе 88 % из 500 наиболее крупных промышленных компаний США, причем чаще всего это были прогностические методы. [c.11]

Вернуться к основной статье