В этой главе мы остановимся на некоторых общих понятиях и вопросах, связанных с временными рядами, использованием регрессионных моделей временных рядов для прогнозирования. При анализе точности этих моделей и определении интервальных ошибок прогноза на их основе, будем полагать, что рассматриваемые в главе регрессионные модели временных рядов удовлетворяют условиям классической модели. Модели временных рядов, в которых нарушены эти условия, будут рассмотрены в гл. 7, 8. [c.133]
Для прогнозирования объема продаж компании AB (млн руб.) на основе поквартальных данных за 1993-1997 гг. была построена аддитивная модель временного ряда объема продаж. Уравнение, моделирующее динамику трендовой компоненты этой модели, имеет вид Т = 100 + 2 t (при построении тренда для моделирования переменной времени использовались натуральные числа, начиная с 1). Показатели за 1996 г., полученные в ходе построения аддитивной модели, представлены в табл. 4.12. [c.167]
Постановка целей влияет на структуру модели. Если целью является прогнозирование краткосрочных продаж, тогда подойдет простая модель временных рядов, которая прогнозирует будущие продажи на основе динамики прошлых продаж [c.93]
В основе любого эмпирического анализа лежит точность исходных данных. Учитывая это, представляется логичным строить статистические модели с использованием месячных данных поступления доходов по различным источникам. Данные по месячным бюджетным поступлениям можно получить в готовом виде из бухгалтерии любого финансового органа, и эти данные максимально надежные в отличие от других статистических данных. В первоначальном своем варианте методология краткосрочного прогнозирования полагается, в основном, на два класса моделей на модели временных рядов и на эконометрические прогнозные модели. Оба эти класса моделей основаны на использовании статистического метода, известного под названием регрессионный анализ . [c.98]
Прогнозирование с использованием вероятностных моделей базируется на методе экспоненциального сглаживания. Вероятностные модели по своей сути отличны от экстраполяционных моделей временных рядов, в которых основой является описание изменения во времени процесса. [c.19]
По методам различают статистическое прогнозирование прогнозы, основанные на экспертных оценках, и комбинированные. Методы статистического прогнозирования используют экстраполяцию, интерполяцию, регрессионные, корреляционные и другие математические модели и т. д. В настоящее время наибольшее развитие получил метод экстраполяции. Он состоит в определении количественных и качественных показателей развития в будущем периоде на основе закономерностей, имеющих место в предшествующем периоде. Для этого на графике плавно продолжается кривая изменений значений анализируемого направления развития в текущем периоде до границ времени прогнозируемого периода. В случае колебаний показателей за рассматриваемый промежуток времени производится соответствующая корректировка динамического ряда. [c.89]
Так, например, на 1981 г. по основной номенклатуре материалов Госплана СССР и Миннефтепрома наряду с разработкой проектов норм с применением расчетно—аналитического метода для составления плана материально-технического снабжения были разработаны прогнозы норм расхода материалов с использованием модели (4). В качестве показателей, изменяющихся во времени, рассматривались как предложения ВНИИОЭНГ по нормам расхода материалов, разработанные на основе расчетно—аналитического и других методов за ряд прошедших лет по министерству, так и фактические удельные расходы. Прогнозирование отраслевых норм осуществлялось на основе определения теоретической кривой, описывающей изменение каждого из указанных показателей во времени и экстраполяции этой кривой на планируемый год. [c.24]
Математические модели, на основе которых осуществляется имитационный эксперимент, могут быть детерминированными и стохастическими. В детерминированной модели задание внешних воздействий однозначно определяет значения изучаемых величин. Так, в модели долгосрочного прогнозирования задание управлений sx и s2 давало возможность вычислить траектории К (t) и с (/). При использовании детерминированной модели повторение просчета при тех же значениях факторов приводило к тем же реакциям. Иное дело стохастические модели. В них реакция получается в результате взаимодействия внешних воздействий в ряде случайных чисел, которые, хотя и являются выборкой из одного и того же распределения, в силу случайности моделируемого процесса принимают разнообразные значения. В этом случае повторение просчета при тех же внешних воздействиях приведет к иному значению показателей. Так, в задаче выбора АЗС о просчетах с разными значениями случайных чисел при одном и том же варианте АЗС мы получим разные значения среднего времени простоя автомобиля (1/т) Х, и простоя оборудования Ym/Tm. Поэтому для более точной оценки интересующих заказчика величин среднего времени х простоя автомобиля и средней доли у времени простоя оборудования для одного и того же варианта АЗС проводят несколько просчетов. [c.283]
Анализ тренда предназначен для исследования изменений среднего значения временного ряда с построением математической модели тренда и с прогнозированием на этой основе будущих значений ряда. Анализ тренда выполняют путем построения моделей простой линейной или нелинейной регрессии. [c.102]
Достаточность эмпирического материала (N > 25) дает возможность увеличить число сглаживающих функций и осуществить проверку прогнозных свойств моделей для прогнозирования анализируемого процесса во времени. Проверка качества прогноза отобранной модели достигается проведением ретроспективных расчетов. Сущность их состоит в том, что уровни анализируемого ряда. динамики (ретроспективный период) разбиваются на два периода основной и участок аппроксимации. На основе всего ретроспективного, а также и основного периода определяется тенденция изменения анализируемого процесса. Далее, с помощью модели, отражающей общую тенденцию основного периода, осуществляется прогнозирование на последующие периоды в интервале участка аппроксимации. Сопоставление фактических уровней с расчетными позволяет выяснить, в какой мере отобранная модель отражает закономерность изменения анализируемого процесса и пригодна для экстраполяционных расчетов. [c.43]
Построение модели ожидаемой чистой прибыли требует понимания поведения прибыли во времени, т.е. свойств ее временного ряда, или временных статистических характеристик прибыли. Ранние исследования показали, что прибыль на акцию принимает случайные значения, т.е. чистая учетная прибыль подчиняется тем же вероятностным законам, что и результат подбрасывания монеты. С точки зрения теории прогнозирования это означает, что лучшее предположение о доходе на акцию в следующем году можно сделать на основе данных о прибыли на акцию в текущем году. Этот результат удивил большинство исследователей, поскольку разрушил бытующее представление о растущих акциях. Это наводит на мысль, что внешне вполне удовлетворительное управление, характеризующееся многолетним стабильным ростом прибыли, может оказаться просто удачным стечением обстоятельств. Нет необходимости говорить, что такое понимание вероятностной природы показателей является весьма спорным и преувеличенным. Однако опыт показывает, что какой бы хорошей ни была администрация, она всегда находится во власти случая и внешних обстоятельств. [c.214]
Конечной целью статистического анализа временных рядов является прогнозирование будущих значений исследуемого показателя. Такое прогнозирование позволяет, во-первых, предвидеть будущие экономические реалии, во-вторых, проанализировать построенную регрессионную модель на устойчивость (т.е. ее применимость в изменяющихся условиях). Прогнозирование можно осуществлять либо на основе выявленных закономерностей изменения самого исследуемого показателя во времени и экстраполяции его прошлого поведения на будущее либо на основе выявленной зависимости исследуемого показателя от других экономических факторов, будущие значения которых контролируемы, известны или легко предсказуемы. [c.293]
Под прогнозом в данном случае понимается оценка будущих значений показателя, полученная на основе некоторой обладающей наилучшими статистическими свойствами модели. Более подробно о моделировании временных рядов можно прочитать, например, в книгах Энтов P.M., Дробышевский, В.П. Носко С.М., Юдин А.Д. (2001), Эконометрический анализ динамических рядов основных макроэкономических показателей, Москва, ИЭПП P.M.Энтов, В.П.Носко, А.Д.Юдин, П.А.Кадочников, С.С.Пономаренко (2002), Проблемы прогнозирования некоторых макроэкономических показателей, Москва, ИЭПП Носко, А. Бузаев, П. Кадочников, С. Пономаренко (2003), Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий, Москва, ИЭПП [c.41]
Адаптивные модели и методы прогнозирования имеют механизм автоматической настройки на изменение исследуемого показателя. Инструментом прогноза является модель, первоначальная оценка параметров которой производится по нескольким первым наблюдениям. На ее основе делается ретроспективный прогноз, который сравнивается с фактическими наблюдениями. Далее модель корректируется в соответствии с величиной ошибки прогноза и вновь используется для ретроспективного прогнозирования следующего уровня, вплоть до исчерпания последнего наблюдения. В итоге модель впитывает новую информацию, приспосабливается к ней и к концу периода наблюдения отражает тенденцию, сложившуюся на текущий момент времени. Прогноз получается как экстраполяция последней тенденции, которая более полно учитывает сезонные и малые циклические колебания динамического ряда. [c.247]
В данном бюллетене представлены расчеты значений различных экономических показателей Российской Федерации на период с августа по ноябрь 2004 г., построенные на основе моделей временных рядов, разработанных в результате исследований, проводимых в течение последних нескольких лет в ИЭПП. Использованный метод прогнозирования относится к группе формальных или статистических методов. Иными словами, полученные значения не являются выражением мнения или экспертной оценки исследователя, а представляют собой расчеты будущих значений конкретного экономического показателя, выполненные на основе формальных моделей временных рядов ARIMA(/ , d, q) с учетов существующего тренда и, в некоторых случаях, его значимых изменений. Представляемые прогнозы имеют инерционный характер, поскольку соответствующие модели учитывают динамику данных до момента построения прогноза и особенно сильно зависят от тенденций, характерных для временного ряда в период непосредственно предшествующий интервалу времени, для которого строится прогноз. Данные оценки будущих значений экономических показателей Российской Федерации могут быть использованы для поддержки принятия решений, касающихся экономической политики, при условии, что общие тенденции, наблюдаемые до момента, в который строится прогноз для каждого конкретного показателя, не изменятся, то есть в будущем не произойдет серьезных шоков или изменения сложившихся долгосрочных тенденций. [c.1]
Модельные расчеты прогнозных значений объемов экспорта, экспорта в страны вне СНГ, импорта и импорта из стран вне СНГ получены на основе моделей временных рядов, оцененных на месячных данных на интервале с сентября 1998 г. по июнь 2004 г. по данным ЦБ РФ10. Результаты прогнозирования представлены в таблице 4. [c.5]
В данном разделе представлены расчеты прогнозных значений индексов цен транспортных тарифов на грузовые перевозки15, полученные на основе моделей временных рядов, оцененных по данным Госкомстата РФ на интервале с сентября 1998 г. по июнь 2004 г. В таблице приведены результаты модельных расчетов прогнозных значений на август - ноябрь 2004 г. Отметим, что некоторые из рассматриваемых показателей (например, индекс тарифов на трубопроводный транспорт) являются регулируемыми, в силу чего их поведение весьма сложно описать моделями временных рядов. В результате, получаемые будущие значения могут сильно отличаться от реальных в случаях централизованного увеличения тарифов на интервале прогнозирования или при отсутствии такового на прогнозируемом участке при увеличении накануне. [c.11]
Другие модели строятся с учетом соотношений с другими переменными по методу регрессии, о чем мы говорили в предыдущей главе. Так, например, такая переменная, как покупательский спрос на нефтепродукты, может зависеть от других переменных, в частности, от расходов на рекламу, ценообразования, процентных ставок и валютообменных курсов. Это так называемые причинно-следственные связи, и зачастую они обеспечивают большую точность и надежность прогноза по сравнению с моделями прогнозирования на основе временных рядов. [c.215]
Динамические эконометрические модели. Модели с распределённым лагом. Изучение структуры лага и выбор вида модели с распределённым лагом лаги Алмон, метод Койка, метод главных компонент. Модели адаптивных ожиданий. Оценка параметров моделей авторегрессии. Прогнозирование на основе временных рядов. Тесты на устойчивасть тест Чоу, F-тест. Оценка качества прогнозов. [c.4]
В двенадцатой главе дается обзор широко используемых в эко-нометрическом анализе динамических моделей. Приводятся модели с лагами в независимых переменных и авторегрессионные модели. Рассматриваются проблемы прогнозирования на основе временных рядов. [c.9]
Техническое прогнозирование имеет в русскоязычном варианте и другое наименование, а именно прогнозирование на основе временных рядов. В настоящее время появилось довольно много новых изощренных методик такого прогнозирования, использующих разнообразные нелинейные функции прошлых и будущих данных, графический анализ колеблемости валютного курса, экспертную оценку возможности перенесения из предыдущих периодов некоторых образцов движения этого курса, так называемые модели временных серий (time series models) и т. д. Нередко это действительно позволя-ет получить удовлетворительные результаты. Тем не менее по своей сути этот подход предполагает допустимость экстраполяции, продления тенденций развития того или иного явления, сложившихся в прошлом, на будущее, з данной посылки вытекают и его возможности, и его ограничения. Эконо-Мическая интерпретация прогноза достаточно проста, однако любой сколько-нибудь существенный перелом в сложившихся тенденциях оказывается губительным для качества предсказания будущей величины валютно-г° курса. [c.261]
При прогнозировании развития химической промышленности и ее отраслей на период до 1990 г. использовался ряд экономико-статис тических моделей. В основе их, как и любых экономико-статистичес ких моделей, лежат временные, или динамические, ряды, отражающие изменения показателей развития отрасли (производства) во времени - по пятилетиям, годам. В частности, применялись временные ряды, представляющие производство или темпы роста объема продукции в целом по химической промышленности или по отдельным отраслям в тоннах, рублях и процентах. [c.18]
Однозначно оценить коэффициенты в (2) не представляется возможным, поэтому необходимо сделать дополнительные предположения об их природе. Пусть а -случайная величина, реализующаяся для каждого региона и налога согласно нормальному распределению с ненулевым математическим ожиданием для каждого налога а, и фиксированной дисперсией а Также предположим, что /3 фиксированный вектор, одинаковый для всех территорий и во времени, но с разными элементами для каждого налога. Это равносильно утверждению, что все факторы, влияющие на /3 , в том числе и налоговые усилия территории, предполагаются одинаковыми для всех территорий и постоянными во времени. Такое упрощение ведет к снижению прогнозирующих возможностей модели, но позволяет обойтись без сложного моделирования зависимости /3 от налоговых усилий, разных для территорий внешних и случайных факторов. Отказ от данного упрощения потребует перехода кэконометрическим моделям на основе временных рядов, панельных данных или одномерному детерминистическому методу прогнозирования. [c.71]
Понятно, что закономерности прошлого поведения переменной могут многое сказать о том, как она будет вести себя в будущем. Анализ временных рядов позволяет находить такие закономерности и на этой основе прогнозировать будущее поведение переменной. Сдвиги в динамике временных рядов, связанные с изменением в структуре налога (налоговом законодательстве) или с какими-то иными крупными реформами, могут быть учтены в модели с помощью специального статистического приема так называемой фиктивной переменной. Суть прогнозирования переменной по прошлой ее динамике можно сформулировать так. Величина бюджетных поступлений (в настоящем или будущем периоде) так или, иначе, связана (корре-лируется) с прошлыми величинами этих поступлений. Если мы сумеем обнаружить такую корреляцию и разложить ее на составляющие, придав ей структуру, нередко удается получить удивительно точные прогнозы. [c.98]
Рынок эффективный (market effi a y) — рынок, на котором цены на финансовые активы полностью и своевременно отражают всю доступную информацию. Согласно гипотезе эффективного рынка процессу распространения рыночной информации присуща рациональность, актуальные новости не игнорируются, а систематические ошибки анализа и прогнозирования не допускаются. Как следствие, цены на финансовые активы всегда соответствуют фундаментальным факторам, лежащим в основе ценообразования. Теоретические предположения, легшие в основу гипотезы эффективного рынка, были сделаны французским экономистом Луи де Башелье. В диссертации Теория спекуляции , изданной в Париже в 1900 г., он изложил ряд соображений, касающихся случайного колебания курсов ценных бумаг на бирже. Предположение де Башелье для своего времени было достаточно оригинальным, а сопровождавшая его разработка математической модели случайных процессов на пять лет опередила знаменитую работу [c.289]
Смотреть страницы где упоминается термин Прогнозирование на основе моделей временных рядов
: [c.57] [c.364] [c.606] [c.179] [c.16]Смотреть главы в:
Эконометрика -> Прогнозирование на основе моделей временных рядов