При использовании уравнений регрессии в целях планирования, анализа вариантов решений или установления допустимых нормативных затрат необходимо помнить, что полученные на основе фактических данных прошлых периодов зависимости отражают ситуацию прошлого периода и абстрагируются от прочих факторов, не учитываемых в регрессионном анализе, полагая их постоянными. [c.213]
Необходимость все более глубокого обоснования планов, их оптимизации требует рассмотрения многих возможных вариантов, сложных многофакторных аналитических расчетов, которые невозможны без применения аппарата математической статистики и в первую очередь регрессионного и вариационного анализа, теории массового обслуживания. В первое время для экономического анализа применялись счетно-перфорационные машины, не только ускорившие расчеты, но и позволившие получать некоторые группировки информации, расчет дисперсий и других отклонений от средних величин, расчеты парных корреляций. Последние годы характеризуются нарастающим использованием для аналитической работы электронно-вычислительных машин, что дало возможность охватывать большое число связей, зависимостей, сторон данного экономического процесса или явления. Особенно меняется методика и организация экономического анализа в условиях автоматизированной системы управления производством (АСУП), целиком построенной на принципах применения электронно-вычислительных машин и экономико-математических методов. [c.10]
Для обработки отобранных данных применяют экономико-математические модели, в том числе построенные на сравнении показателей динамических рядов изменений норм и отклонений от них, сопоставлении взвешенных параметров базового и нового продуктов или технологического процесса, последовательном отборе результатов контрольных исследований, ранговой корреляции, регрессионном анализе, футурологических расчетах экономического риска и других зависимостях. Использование этих моделей при ФСА обеспечивает возможность выбора наиболее оптимальных вариантов хозяйственных решений по тактическим и стратегическим вопросам планирования и управления. [c.170]
Если информации мало и она не точна, то среда становится неопределенной, и наоборот. Чем неопределённее внешнее окружение, тем труднее принимать эффективное решение. По наличию информации условия внешней среды классифицируются на условия определенности, риска и неопределенности. Условия определенности существуют тогда, когда руководитель точно знает результат, который будет иметь каждый выбор. В условиях риска вероятность результата каждого решения можно определить с известной достоверностью. Понятие риск здесь используется не в смысле опасности, а относится к уровню определенности, с которой можно прогнозировать результат. Риск -- это возможная опасность получения негативного результата входе реализации принятого варианта решения (альтернативной стратегии действия) при наличии множества случайных факторов. Условия считаются неопределёнными, если информации недостаточно для прогнозирования уровня вероятности результатов в зависимости от выбора. Для принятия решения в этом случае используется экспертный анализ, теория вероятности, математическая статистика, теория игр, регрессионный и дисперсионный анализ. [c.56]
Рассмотрим вопрос о регрессии. В ряде случаев именно от его решения — оценки уравнений регрессии — зависят оценки тесноты связи, а они, в свою очередь, дополняют результаты регрессионного анализа. Прежде всего следует определить перечень независимых переменных X, включаемых в уравнение. Это должно делаться на основе теоретических положений. Список X может быть достаточно широк и ограничен только исходной информацией. На практике теоретические положения о сути взаимосвязи подкрепляются парными коэффициентами корреляции между зависимой и независимыми переменными. Отбор наиболее значимых из них можно провести с помощью ЭВМ, выбирая в соответствии с коэффициентами корреляции и другими критериями факторы, наиболее тесно связанные с У. Параллельно решается вопрос о форме уравнения. Современные средства вычислительной техники позволяют за относительно короткое время рассчитать достаточно много вариантов уравнений. В ЭВМ вводятся значения зависимой переменной У и матрица независимых переменных X, принимается форма уравнения, например линейная. Ставится задача включить в уравнение k наиболее значимых X. В результате получим уравнение регрессии с k наиболее значимыми факторами. Аналогично можно выбрать наилучшую форму связи. Этот традиционный прием, называемый пошаговой регрессией, если он не противоречит качественным посылкам, достигает приемлемых результатов. Первоначально обычно берется линейная модель множественной регрессии [c.134]
При дисперсионном (глава 16), регрессионном (глава 17) и дискриминантном анализе (глава 18) одну переменную маркетологи четко идентифицируют как зависимую. Теперь же рассмотрим, как проводится факторный анализ, не предполагающий разделение переменных на независимые и зависимые. Наоборот, исследователи проверяют все возможные варианты взаимозависимостей между переменными. В этой главе обсуждается основная концепция факторного анализа и дается понятие факторной модели. Мы опишем этапы факторного анализа и проиллюстрируем их с точки зрения анализа главных компонент и анализа общих факторов. Для начала приведем несколько примеров, иллюстрирующих полезность факторного анализа. [c.717]
Эконометрические модели- это система регрессионных зависимостей и тождеств, с помощью которой делается попытка учесть большее количество факторов, влияющих на электропотребление. При этом, задавая различные комбинации экзогенных показателей, удается моделировать множество вариантов развития электропотребляющего комплекса в отраслевом и региональном аспектах, что сужает зону неопределенности прогноза. При этом экзогенные показатели определяются на основе сценариев экономического роста при разработке последних используется сочетание формальных процедур и экспертных оценок. [c.198]
Модель, определяемую соотношениями и условиями (11.1), (11.2), (11.4) и (11.5), будем называть линейным (относительно оцениваемых параметров) нормальным вариантом идеализированной схемы регрессионной зависимости (идеализация, к к было отмечено, заключается в постулировании редко выполняющихся в статистической практике допущений (11.7) и (11.2)). [c.337]
Применение межотраслевого баланса для целей долгосрочного прогнозирования ставит перед исследователем ряд беспрецедентных по своей сложности инфор-мационно-технич. задач. Гл. из них — прогноз коэффициентов матриц прямых затрат, к-рый может быть получен только на основе анализа динамики воспроизводств. структуры всей экономики. Такого рода анализ может базироваться только на фиксированной информации о структурных сдвигах, в частности о тех, к-рые обусловлены внедрением новых технологий. Даже при высоком уровне агрегирования коэффициенты прямых затрат будут существенно зависеть от изменения доли электростали в нроиз-ве электроэнергии и т. п. Т. о., экзогенное (внемоделыюе) задание матрицы коэффициентов прямых затрат на отдалённую перспективу равносильно принятию многочисленных предположений относительно будущей структуры нар. х-ва. Для предсказания п значений объёмов отраслевых продуктов в прогнозируемом году необходимо, по. меньшей мере, п(п -f 1) величин спрогнозировать экзогенно. При этом ограничения относительно структур модели могут оказаться столь серьёзными, что не будет оснований для положительного ответа на вопрос о принципиальной реализуемости полученного варианта матрицы. В связи с этим следует обратить внимание на особую детализацию разработки в глобальном проекте Будущее мировой экономики целого ряда вариантов расчётов при неизменной матрице прямых затрат. Поскольку модель, межотраслевых связен строится для каждого из 15 рассматриваемых Леонтьевым регионов, приходится задавать матрицы прямых затрат и для тех из них, для к-рых соответств. исходной информации не существует. Поэтому авторы проекта широко пользовались прогнозом коэффициентов на основе их регрессионной зависимости от душевого уровня валового нац. продукта (количество наблюдений не превышало восьми). Если [c.616]
Попытка теоретически обосновать возможность применения информационного метода для разработки нормативов времени на конструкторские работы предпринята Ю. Г. Кроном1. Создание проекта, как справедливо считает Ю. Г. Крон, представляет собой процесс перехода неопределенности в информацию. Неопределенность будет уменьшаться в зависимости от знаний конструктора и объема накапливаемой и изучаемой по данной задаче информации. Процесс завершается исчезновением неопределенности и рождением варианта будущей конструкции. Самое трудное и нерешенное в этой концепции — способ измерения объема изучаемой и изученной информации, определение трудоемкости изучения единицы информации, способ измерения скорости мышления и т. д. Поэтому рекомендуемые автором окончательные формулы имеют ряд допущений и все в конечном счете сводится к традиционной классификации изделий по конструктивным признакам и последующему регрессионному анализу. [c.35]
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]
Современная аналитическая наука имеет в своем арсенале достаточное число методов и моделей, с помощью которых исходные данные можно подвергать некоторой аналитической обработке с целью выявления закономерностей и тенденций, присущих этим данным или тем явлениям, которые они характеризуют (один из вариантов классификации приемов и моделей анализа деятельности фирмы см. в [Ковалев, 2001, с. 63-68]). В зависимости от вида анализа, поставленных целей, имеющейся информационной базы, различных ограничений, например по времени и инструментарию, могут применяться методы той или иной сложности, тех или иных апалитико-поз-навательных возможностей и др. Так, для выявления тенденции изменения выручки от продаж можно воспользоваться аппаратом корреляционно-регрессионного анализа (чисто инструментальный метод), а можно привлечь экспертов с последующим усреднением приведенных ими оценок (в этом случае имеет место комбинирование неформализованных и формализованных методов анализа). В данной главе мы рассмотрим лишь те методы, которые, на наш взгляд, представляются наиболее практичными при этом мы исходим из предпосылки, что сложность выбираемого метода или модели должна быть адекватной целям и имеющемуся информационному сырью. Говоря об адекватности, мы имеем в виду следующее сложность аналитического инструментария не всегда способствует получению более обоснованных и практичных выводов. В подтверждение приведем два примера. Для любого аналитика при известных навыках не составляет труда построить многофакторную жестко детерминированную модель для выявления причинно-следственных связей между показателями, однако неоправданное усложнение модели может иметь обратный эффект - полученные результаты будут в практическом плане бесполезными. Можно строить регрессионное уравнение по множеству из трех-четырех точек, однако прогностическая ценность подобного уравнения будет близка к нулю, а пользователь, которому будет предложена эта модель как инструмент прогнозирования, не будет испытывать ничего иного, кроме раздражения от ее бесполезности и бессмысленной наукообразности. [c.177]