Прогнозирование в регрессионных моделях

Гл. 7. Прогнозирование в регрессионных моделях [c.206]

Чтобы выделить влияние расходов на рекламу, включите в рассмотрение и другие переменные факторы маркетинга. Во-первых, всегда имеет смысл (если только это возможно) попытаться отделить эффект от изменения расходов на рекламу от эффекта, связанного с качеством рекламного послания. Во-вторых, весьма важно включить в модель прогнозирования и другие переменные величины комплекса маркетинга. Предположим, возможными причинами изменения объема продаж является изменение расходов на рекламу и на стимулирование сбыта. Если применяемая модель не учитывает влияние мер по стимулированию сбыта, то может оказаться, что зарегистрированный эффект от проведения рекламной кампании на самом деле будет отображать влияние комплекса мер по стимулированию продаж, а не рекламы как таковой. В-третьих, если в процессе анализа не учитываться влияние рекламы, проводимой фирмами-конкурентами, то степень воздействия вашей рекламы также может быть оценена неверно. Результаты исследований свидетельствуют о том, что реклама конкурентов всегда приводит к снижению эффективности рекламы вашей торговой марки [36]. Повышение интенсивности рекламы может не оказать никакого влияния на объем сбыта вашей продукции по той причине, что реклама вашего конкурента резко усилена. При отсутствии информации о рекламе конкурирующих товаров может сложиться ошибочное мнение, что ваша собственная реклама малоэффективна. Один из способов учета влияния конкурентов заключается в получении реальной информации об интенсивности конкурирующей рекламы и во включении этих данных в регрессионную модель в качестве дополнительной независимой (прогнозируемой) переменной. [c.580]

Алекперова Т.П. Прогнозирование отраслевых норм расхода материалов в бурении и добыче нефти на основе многофакторных регрессионных моделей. [c.54]

Рудов А.Я. Прогнозирование отраслевых норм расхода по регрессионным моделям. Материалы межвузовской научно-технической конференции "Проблемы совершенствования управления в условиях научно-технической революции" М., [c.63]

Прогнозы по регрессионным моделям более надежны, поскольку они позволяют проводить эксперименты на моделях, в которых учитывается большее число факторов, влияющих на развитие процесса. Кроме того, полученные результаты всегда легко объяснить и обосновать. В силу этих причин прогнозы по уравнениям регрессии (иначе их называют производственными функциями) используются практически при экономическом прогнозировании всех видов макро- и микро-, краткосрочном и долгосрочном, частном и общем и т.д. [c.225]

В настоящей работе рассмотрены способы применения корреляционного анализа и регрессионных моделей для прогнозирования себестоимости добычи нефти и попутного газа. [c.101]

Использование регрессионной модели для прогнозирования состоит в подстановке в уравнение регрессии ожидаемых значений факторных признаков для расчета точечного прогноза результативного признака или (и) его доверительного интервала с заданной вероятностью, как уже сказано в 8.2. Сформулированные там же ограничения прогнозирования по уравнению регрессии сохраняют свое значение и для многофакторных моделей. Кроме того, необходимо соблюдать системность между подставляемыми в модель значениями факторных признаков. [c.289]

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]

В этой главе рассматривается несколько методов количественного прогнозирования. Обсуждаются интуитивные модели, скользящее среднее, экспоненциальное сглаживание. В следующих главах описываются анализ трендов и регрессионный анализ. О качественном подходе рассказывалось в Главе 14. [c.245]

Предикативные модели - это модели предсказательного, прогностического характера, которые используются для прогнозирования доходов предприятия и его будущего финансового состояния. Наиболее распространенными из них являются расчет точки критического объема продаж (см. раздел 3.5), построение прогностических финансовых отчетов (см. раздел 2.5.6), модели динамического анализа (жестко детерминированные факторные модели и регрессионные модели - см. разделы 2.6.2 и 2.8.2), модели ситуационного анализа (см. раздел 2.5.8). В указанных разделах нашего пособия будут рассмотрены некоторые теоретические и практические аспекты применения подобных моделей. [c.38]

В практике планирования и прогнозирования спроса достаточно часто применяются аналитические модели спроса и потребления, которые строятся в виде уравнений, характеризующих зависимость потребления товаров и услуг от тех или иных факторов. Другими словами, в аналитических моделях функциональная зависимость (25.68) принимает вполне определенный вид. Такие модели могут быть однофакторными и многофакторными. Рассмотрим аналитические модели спроса на примере линейных корреляционно-регрессионных статических моделей, используя конкретные данные обследования семей. [c.562]

Прогнозирование развития кризисного финансового состояния предприятия под негативным воздействием отдельных факторов. Такой прогноз осуществляется на основе разработки специальных многофакторных регрессионных моделей, использования в этих целях методического аппарата СВОТ-анализа и других методов, подробно рассмотренных ранее при изложении принципов фундаментального анализа. В процессе прогнозирования учитываются факторы, оказывающие наиболее существенное негативное воздействие на финансовое развитие и генерирующие наибольшую угрозу банкротства предприятия в предстоящем периоде. [c.498]

Обычно при прогнозе на сутки определяются ожидаемая почасовая нагрузка, а также пиковая нагрузка и суммарное суточное потребление электроэнергии в обслуживаемом районе. Для таких задач наибольшее распространение получили линейные регрессионные модели, основанные на анализе временных рядов, а также в последнее время - более совершенные - адаптивные обучаемые нелинейные модели, создаваемые на принципах искусственных нейронных сетей . Эти инструменты прогнозирования образуют широкий класс методов экстраполяции. [c.405]

Один из наиболее острых вопросов регрессионного анализа заключается в поисках наилучшего способа, позволяющего спрогнозировать форму зависимости между рекламой и объемом продаж. В стандартных компьютерных программах регрессионного анализа предполагается, что зависимость между рекламой и сбытом продукции линейна, тогда как чаще всего эта зависимость имеет вид несколько искривленной линии или, точнее, нелинейна. Так, рост объема продаж в зависимости от увеличения расходов на рекламу, начиная с некоторого уровня рекламных расходов, может иметь тенденцию снижения сбыта продукции. Вследствие этого на графике зависимости объема продаж от уровня рекламных расходов подобное явление "сокращения доходов" лучше всего отображать с помощью выпуклой кривой. Некоторые исследователи не признают описанный подход и продолжают считать, что указанная зависимость имеет форму S-образной кривой на первом этапе, когда расходы на рекламу невелики, объем продаж практически никак не реагирует на рекламу. По мнению этих аналитиков, необходимо какое-то время, чтобы она прошла "обкатку". После этого наступает момент, когда рекламный бюджет достигает критического минимального уровня и объем продаж начинает реагировать на увеличение рекламных расходов. И наконец, после фазы "уменьшение доходов" кривая на графике снова начинает загибаться вниз. Все три описанных типа зависимостей показаны на рис. 16.7. Исследователи в области статистического анализа пытаются выделить эти нелинейные зависимости в своих регрессионных моделях путем прогнозирования, каким будет график (или та или иная аналитическая зависимость) показателей объема продаж в зависимости от графика (или аналитической зависимости) показателя расходов на рекламу. Во многих работах, посвященных изучению формы реальной зависимости объема продаж от рекламы, делается вывод, что эта зависимость должна иметь форму сокращающихся доходов, хотя некоторые исследователи пытаются найти подтверждения, что эти зависимость описывается с помощью S-образной кривой [37]. [c.581]

При прогнозировании потребностей в инвестициях применяются как формализованные методы (экстраполяция, корреляционно-регрессионные модели, межотраслевой баланс и др.), так и методы экспертных оценок (анкетирование, метод Дель-фи , метод генерации идей и т.д.). Выбор метода прогнозирования потребностей в инвестициях предопределяется наличием информационной базы, состоянием экономики и целями экономической политики государства. [c.414]

Во многих практических случаях моделирование экономических зависимостей линейными уравнениями дает вполне удовлетворительный результат и может использоваться для целей анализа и прогнозирования. Однако в силу многообразия и сложности экономических процессов ограничиваться лишь рассмотрением линейных регрессионных моделей невозможно. Многие экономические зависимости не являются линейными по своей сути, и поэтому их моделирование линейными уравнениями регрессии, безусловно, не даст положительного результата. Например, при рассмотрении спроса Y на некоторый товар от цены X данного товара в ряде случаев можно ограничиться линейным уравнением регрессии Y = BO ч-BjX. Здесь pi характеризует [c.180]

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]

Одна из важнейших целей моделирования заключается в прогнозировании поведения исследуемого объекта. Обычно термин прогнозирование используется в тех ситуациях, когда требуется предсказать состояние системы в будущем. Для регрессионных моделей он имеет, однако, более широкое значение. Как уже отмечалось, данные могут не иметь временной структуры, но и в этих случаях вполне может возникнуть задача оценить значение зависимой переменной для некоторого набора независимых, объясняющих переменных, которых нет в исходных наблюдениях. Именно в этом смысле — как построение оценки зависимой переменной — и следует понимать прогнозирование в эконометрике. [c.204]

Рассмотрим теперь применение многофакторных моделей для прогнозирования воздействия некоторых факторов на такой показатель, как прибыль предприятия. На основе динамики показателей численности работающих на предприятии, объема выпускаемой продукции, затрат на природоохранные мероприятия и количества автомобилей в предприятии несложно построить регрессионную модель, позволяющую оценить значение прибыли. Опуская математические расчеты, которые следует проводить на ПЭВМ по специальным программам, для конкретных численных данных получаем следующую линейную многофакторную зависимость [c.131]

Построение адекватных регрессионных моделей для целей прогнозирования с помощью метода наименьших квадратов предъявляет к исходной информации весьма жесткие требования. В ряде случаев эти требования для реальных наблюдений оказываются невыполненными, поэтому получаемые оценки оказываются неэффективными, а прогноз — недостоверным. Действительно, требование нормальности распределения ошибок, предъявляемое к исходной информации процедурой метода наименьших квадратов, в большом числе случаев оказывается невыполненным. Так, говорится Нормальность - это миф. В реальном мире никогда не было и никогда не будет нормального распределения . Поэтому в последнее время интенсивно разрабатывается новое направление в статистике - так называемая робастная статистика, задача которой в том и состоит, [c.39]

Причинный анализ выполняется на базе регрессионного анализа. Регрессионные модели — это статистические уравнения, составляемые с целью найти значения некоторых переменных и оценки их влияния на искомую величину. Например, менеджер по маркетингу может разработать регрессионную модель прогнозирования объема продаж в зависимости от затрат на рекламу и уровня цен. Уравнение такой зависимости будет иметь следующий вид [c.173]

Большую роль в моделировании и прогнозировании показателей играет адаптивный подход. В отличие от трендовых и регрессионных моделей, в которых коэффициенты остаются неизменными на протяжении анализируемого и прогнозного периодов, адаптивное моделирование учитывает изменение интенсивности влияния факторов с течением времени, а это значительно повышает прогнозные свойства моделей. [c.246]

При построении регрессионных моделей динамических рядов необходимо учитывать и то, что результативный и факторный признаки изменяются не синхронно, а с некоторым временным лагом. Чтобы учесть это обстоятельство при прогнозировании результатов деятельности, применяют регрессионные модели с распределенным лагом, которые позволяют установить, как быстро реагирует исследуемый результативный показатель на изменение соответствующего фактора. Механизм данной модели основан на смещении исходной информации по факторному признаку на 1,2,..., я периодов динамического ряда относительно значений результативного признака, в результате чего устанавливается, через какой период времени проявляется воздействие данного фактора на исследуемый показатель. Поэтому регрессионные модели с распределенным лагом обеспечивают более точный прогноз развития событий. [c.247]

В какой группе магазинов можно построить линейную регрессионную модель дня прогнозирования общего объема продаж [c.189]

Кроме того, выводы регрессионного анализа можно считать достоверными лишь в пределах того диапазона значений переменных, который был использован в ходе анализа. Нет никаких оснований полагать, что эти закономерности сохранятся за пределами таких диапазонов. И наконец, мы должны помнить, что любая регрессионная модель описывает связи, сложившиеся в прошлом, но не может считаться абсолютно надежной моделью для прогнозирования. Чем в большей мере внешние параметры будущей ситуации могут отличаться от их значений в прошлом, тъц менее надежными будут прогнозы на основе регрессионных моделей. [c.263]

Для прогнозирования производительности труда в добыче нефти можно использовать регрессионные модели производительности труда [см. формулы (20) — (22)], построенные для каждого НГДУ объединения по методике, подробно рассмотренной в главе III. На основе полученных регрессионных моделей можно рассчитать ожидаемый уровень производительности труда на прогнозируемый период при заданных значениях факторов х —Х5. [c.145]

БШ — блоки статистических моделей. В таких блоках могут объединяться расчеты по моделям вида Б3.1 и Б3.2. Например, в блоке прогнозирования урожайности могут объединяться трендовые модели прогноза отдельных факторов изменения урожайности с много-факторной моделью прогнозирования урожайности. Примером более сложного блока статистических моделей являются эконометрические модели народнохозяйственного, регионального или отраслевого уровня, в которых при помощи экстраполяционных полиномов, корреляционных функций и регрессионных зависимостей устанавливается статистическая взаимосвязь между совокупностью характеризующих данный объект планирования экзогенных и эндогенных показателей. К таким моделям относятся, в частности, модели, разработанные в Украинском филиале НИИПиНа (УКР-1 и УКР-2), в НИИЭПе Госплана Литовской ССР и др. [c.136]

Методология прогнозирования норм расхода обсадных труб и прочих ресурсов на средне— и долгосрочную перспективу периодически обсуждаетфя в печати, в частности, методология прогнозирования норм с помощью регрессионных моделей (1). Однако если вопросы разработки норм на перспективу находят подробное освещение в печати (1, 2, 3, 4), то авторам статьи не известны работы, в которых обсуждалась бы методология прогнозирования специфицированной потребности в обсадных трубах. [c.56]

Блоки 18—20 предусматривают выбор способов прогнозирования, которые отличаются между собой по отдельным этапам прогнозирования. Отличие заключается в том, что при среднесрочном прогнозировании по каждому отдельному нефтепродукту используются в основном модели двухступенчатого многофакторного регрессионного анализа, оде факторообразующие признаки характеризуются отраслевыми плановыми данными. На первом этапе долгосрочного прогнозирования (на 1980 г.) определяется потребность по каждому отдельному нефтепродукту, но для этого используется только информация о [c.36]

Правильней выло бы записать модель (2.0) в виде d = fi -f A f + е. Сложность как раз ri заключается з том, что коэффициент наклона Я в модели тренда может меняться от t к t -f 1. В противном лучае, т. е. в рамках модели (2,0) с постоянными коэффициентами, оптимальным было бы выравнивание dt и прогнозирование по линейному тренду с помощью методов регрессионного анализа (гл, 7), — Примеч. пер. [c.30]

Вторую часть книги, посвященную методам среднесрочного про нозирования, открывает гл. 7, где описывается теория линейной грессии (в случае, когда независимой переменной служит врем этот раздел называется иногда анализом трендов). В гл, 8 рассказ вается, как некоторым преобразованием одной или двух переменны] (зависимой или независимой переменной — время) выравнивание линейной регрессионной модели распространяется на некоторый кла криволинейных зависимостей. В гл, 9 описываются методы подгонк кривых, основанных на модифицированной экспоненте и не сводящи ся к линейной регрессии. Наконец, в последней главе обсуждается пр менение специального метода среднесрочного прогнозирования, из вестного под названием метод кумулятивных сумм — метод корре ции среднесрочных прогнозов. [c.76]

Когда мы используем регрессионную модель для прогноза величины Y (в данном случае это уровень индекса FTSE 100), располагая величиной X (уровень индекса S P 500), мы хотим знать степень доверия к оцениваемому значению. Для этой цели рассчитываются стандартная ошибка оценки, а затем интервал прогнозирования. [c.280]

Для построения регрессионных моделей и для прогнозирования исследуемых показателей в пакете используются следующие методы регрессии Брандона группового учета аргументов прогноза"с помощью автокорреляционной функции полиномов Чебышева гармонических весов адаптационного прогнозирования. [c.185]

Многие специалисты определяют задачи Э. как формализованное описание и прогнозирование экономии, процессов на основе статистич. анализа данных и ограничивают Э. разработкой и применением аналитич. моделей, причём иногда по традиции — лишь аналити-ко-статистич. (регрессионных) моделей. Однако с 30-х гг. наряду с ними возник др. класс моделей — нормативных. Эти модели позволяют не только рассчитывать варианты структуры и динамики экономич. объектов, но и по определ. критерию оценки выбрать наилучший (оптимальный) вариант. Значит, вклад в их разработку был сделан сов. учёным Л. В. Канторовичем — создателем линейного программирования (1939), что дало возможность ему, В. В. Новожилову, А. Л. Лурье (СССР), Т. Купмансу, Дж. Данцигу (США) и др. сформулировать и решить широкий спектр экономич. задач оптим. распределения и использования ресурсов. Дальнейшее развитие методов оптимизации привело к разработке различных типов нормативных моделей (большое влияние здесь оказали работы Дж. Неймана). В зависимости от характера переменных и формы связей между ними модели могут быть линейными и нелинейными, непрерывными и дискретными, детерминированными и стохастическими и т. д. Их особенностями определяется применение соответствующих методов математического программирования, исследования операций, теории игр. В социалистич. странах нормативные модели широко используются при оптимизации нар.-хоз. планирования на всех его уровнях (напр., работы Н. Н. Некрасова и Н. П. Федоренко в области химизации и развития химич. пром-сти в СССР). В капиталистич. странах методы оптимизации применяются в рамках отд. фирм, а также при разработке гос. программ. В СССР и др. социалистич. странах широко изучается внутр. связь нормативных и аналитич. моделей, создаются комплексы моделей, включающие оба эти типа, разрабатываются их научно-теоретич. основы. Тем самым расширяется круг проблем Э. [c.434]

В прогнозировании может быть учтена не только инерционность процессов, заключающаяся в сохранении общей тенденции развития во времени, но и инерционность взаимосвязей — сохранение механизма формирования явления. В этом случае по данным наблюдений подбирается уравнение типа у =/(,г1, х2,. .., хп), а прогноз получают путем подстановки в уравнение ожидаемых значений независимых переменных xvx2,. .., хя. Со статистической точки зрения указанная модель представляет собой уравнение регрессии (простой или множественной). Коэффициенты регрессионной модели могут быть определены методом наименьших квадратов. Повысить точность таких прогнозов можно подбором модели, которая наилучшим образом описывает ис- [c.211]

Получение прогнозов с помощью многофакторных регрессионных моделей предполагает неизменность значений коэффициентов этих моделей во времени. Тем не менее, в процессе исследования объекта возможно появление новой информации, что позволяет с помощью рекуррентного оценивания корректировать значения оценок коэффициентов моделей. В то же время исходная информация может содержать в себе различные динамики изменения независимых переменных, которые возникают в результате различных режимов функционирования исследуемого объекта. В этом случае важным является, как сам факт установления различия динамик процессов на разных временных интервалах, так и выбор такого интервала для построения на нем модели прогнозирования, который был бы наиболее адекватным будущему поведению объекта. Если оказывается, что для одного интервала времени построена многофак- [c.39]

Пример расчета, оценки и практического использования регрессионной модели для прогнозирования уровня результативного показателя показаны в главе 6. Напомним, что коэффициенты уравнения множественной регрессии (Ь , Ь2,..., Ьп) при соответствующих факторных признаках (х,, x2,. .., хи) показывают, на сколько единиц изменяется величина результативного признака с изменением факторного на единицу его измерения Yx = a + btx,+b2x2+... + bnx/t. [c.246]

Основываясь на данной теории и используя встроенную функцию Поиск решения в Ex el, нами разработана нечеткая регрессионная модель для прогнозирования уровня издержкоемкости продукции. В качестве исходного материала использованы данные за последние 12 месяцев, предшествующие прогнозному периоду. Следующий квартал будет тестовым периодом для проверки надежности прогноза. [c.261]

Сегодня подобное математическое моделирование доступно большинству специалистов по маркетингу. Программы типа Lotus 1-2-3 делают довольно безболезненным проведение регрессионного анализа, необходимого при использовании данного метода, - впрочем, не до конца безболезненным. Пользователь должен ознакомиться с основными концепциями статистической регрессии, а затем прочитать инструкции и примеры, приведенные в руководстве, приложенном к программе. Даже после полного овладения данным приемом специалист по прогнозированию может оказаться не в состоянии с высокой точностью дать прогноз продаж. Несколько лет назад один из нас потратил несколько недель на построение модели, прогнозирующей продажи услуг по фрахтовке. Когда каждый из возможных факторов был выражен количественно и введен в анализ, модель все еще объясняла чуть более 50 процентов изменений в национальном уровне фрахтовки транспорта. Это означало, кроме всего прочего, что для того, чтобы определить, пойдут ли продажи в данной отрасли вверх или вниз в следующий период, с таким же успехом можно подбрасывать монету. Не очень приятно осознавать это после двух недель кропотливой работы с цифрами [c.116]

Смотреть страницы где упоминается термин Прогнозирование в регрессионных моделях

Смотреть главы в: