Методы применения регрессии для получения прогнозных значений исходя из имеющихся данных описаны в главе 3. На последующих примерах мы рассмотрим применение метода регрессии при прогнозировании временных рядов. [c.187]
Блок 7 — переход к следующему этапу прогнозирования. Сначала переходим к среднесрочному, а затем к долгосрочному прогнозированию. Связь этапов прогнозирования осуществляется путем двойной корректировки временных рядов основных показателей, необходимых для проведения прогнозных расчетов. При этом создаются смешанные фактически-расчетные временные ряды, для построения которых используются результаты, полученные на предыдущих этапах прогнозирования. Первая корректировка предусматривает удлинение временных рядов за счет результатов краткосрочного прогнозирования, вторая — дальнейшее удлинение этих рядов за счет результатов среднесрочного прогнозирования. Для среднесрочного прогнозирования временные ряды корректируются по отдельным видам нефтепродуктов (автобензину и дизельному топливу). Для долгосрочного прогнозирования формируется объединенный смешанный фактически-расчетный ряд по автобензину и дизельному топливу. [c.58]
Прогнозирование в рамках каждого конкретного сценария с целью получения ответов на интересующие исследователя вопросы также осуществляется в соответствии с описанной выше методологией прогнозирования. При стабильных условиях могут быть применены статистические методы прогнозирования временных рядов. Однако этому предшествует анализ с привлечением экспертов, причем зачастую прогнозирование на словесном уровне является достаточным (для получения интересующих исследователя и ЛПР выводов) и не требующим количественного уточнения. [c.305]
С точки зрения последствий принимаемых решений различают прогнозы по времени, которые в основном сводятся к прогнозированию временных рядов, а также прогнозы, связанные с территориальным, структурным, параметрическим, охватом объектов уровней иерархии и т.п. [c.324]
Анализ показывает, что эти методы отличаются друг от друга тем, что одни из них являются моделями развития систем с течением времени в зависимости от принимаемых (решений) параметров системы, вторая часть - это модели прогнозирования временных рядов по статистическим данным. [c.327]
Прогнозирование временных рядов [c.328]
Сегодня наиболее применяемым методом прогнозирования временных рядов является экстраполяционный метод прогнозирования. Наибольшее распространение для этой цели имеет следующее представление временного ряда [c.328]
Опираясь на изложенное (о нейронных сетях) в предыдущей главе, решение задач прогнозирования временных рядов с помощью НС можно представить следующим образом. [c.331]
В случае отсутствия реального временного ряда используется его моделирование, применяя эту модель для обучения НС. Качество моделирования временного ряда с помощью НС в этом случае во многом определяется достоверностью выбранной модели. Однако, в общем случае, применение нейронных сетей для прогнозирования временных рядов не предполагает знание (или определение) модели тренда и (или) сезонной составляющей. [c.333]
Наибольшее распространение сегодня для прогнозирования временных рядов получили многослойные персептроны [9.6]. [c.333]
Если в результате исследования выяснилось, что тренд является выраженным, то только тогда можно этот тренд использовать для прогнозирования временного ряда. Вычислив коэффициенты а и b уравнения линейного тренда, указанные выше, получаем линейную зависимость, которая на некотором промежутке времени приблизительно описывает тенденцию динамики временного ряда. Графиком является прямая линия, продолжив которую в будущее, мы можем делать предположения о том, каковы будут значения временного ряда в будущем. Однако тенденции имеют свойства меняться, поэтому в какой -то момент времени в поведении временного ряда наступает перелом, после которого старое уравнение тренда уже не может описывать адекватно временной ряд. Сложность заключается в том, что уловить этот переломный момент очень непросто. Исследование линейного тренда ничего не говорит о наличии в будущем точек поворота, так что при их поиске приходится использовать совсем другие методы. О некоторых из них будет сказано ниже. [c.35]
Выбор методов анализа собранной информации о рынке во многом обусловлен целью работы, квалификацией исследователей, качеством первичной информации, содержанием конкретной задачи. Традиционно для решения задач исследования рынка используются в различных сочетаниях следующие методы группировка, индексный и графический методы, выравнивание и прогнозирование временных рядов, корреляционный и регрессионный анализ, экспертные оценки. Несколько реже применяется метод моделирования [21]. [c.51]
С точки зрения убедительной обоснованности прогнозов преимущественно должны применяться количественные и комбинированные методы. Дадим их краткое описание в той последовательности, в какой они приведены в табл. 7.2. Важным классом методов получения ожидаемого спроса на товары является прогнозирование временных рядов, т. е. процессов, представленных упорядоченной во времени последовательности наблюдений. [c.119]
Рассматривается моделирование экономических систем с использованием марковских случайных процессов, моделирование систем массового обслуживания, методы и модели корреляционно-регрессионного анализа и прогнозирования временных рядов экономических показателей. Приводятся оптимизационные методы и модели в управлении экономическими системами, линейное, динамическое, параметрическое и целочисленное программирование, а также транспортные задачи линейного программирования, теория игр и принятие решений. [c.2]
Учебное пособие - практическое руководство по корреляционно-регрессионному анализу, которое поможет студентам, аспирантам, менеджерам овладеть этими методами анализа. Рассмотренные методы и модели прогнозирования временных рядов экономических показателей особенно актуальны для современных студентов экономических специальностей. [c.4]
Методы и модели прогнозирования временных рядов экономических показателей [c.158]
Основные положения и понятия в прогнозировании временных рядов [c.158]
В предыдущих рассуждениях мы предполагали, что независимая переменная xn+i известна точно. Однако на практике встречаются ситуации, когда в zn+i содержатся ошибки. Так, при прогнозировании временных рядов часто приходится прогнозировать значения независимых переменных, что неизбежно приводит к отклонениям от истинных значений. Поэтому рассмотрим теперь задачу условного прогнозирования. Пусть выполнены соотношения (7.1) и (7.2), но вектор хп+ наблюдается с ошибкой [c.208]
Курс Статистика имеет целью дать студентам представление о содержании статистики как научной дисциплины, познакомить с ее основными понятиями, методологией и методиками расчета важнейших статистических аналитических показателей. В соответствии с этим данное учебное пособие охватывает самые общие начальные элементы статистической науки, и прежде всего важнейшие направления анализа социально-экономических процессов. В дальнейшем на базе курса Статистика изучаются конкретные статистические дисциплины теория статистического наблюдения, анализ и прогнозирование временных рядов, классификации и группировки, многомерные статистические методы, экономическая и отраслевые статистики, анализ хозяйственной и финансовой деятельности. Что касается общеэкономических специальностей, данный курс служит основой для разработки и совершенствования методов экономического анализа. [c.3]
Регрессия, в том числе задача прогнозирования. Это установление зависимости непрерывных выходных переменных от входных. К этому же типу задач относится прогнозирование временного ряда на основе исторических данных. [c.15]
В данном учебном пособии даны рекомендации по построению математических моделей и решению задач исследования операций в области линейного программирования, сетевого планирования, регрессионного анализа, прогнозирования временных рядов, управления запасами. [c.6]
Методы скользящего среднего и экспоненциального сглаживания используются для прогнозирования временных рядов. Формально временной ряд- это множество пар данных (X,Y), в которых X - это моменты или периоды времени (независимая переменная), a Y — параметр (зависимая переменная), характеризующий величину исследуемого явления. Цель исследования временных рядов состоит в выявлении тенденции изменения [c.124]
При анализе и прогнозировании временных рядов при условии корреляции случайной компоненты Ut для разных моментов времени применяются другие методы анализа временных рядов. [c.74]
Уже использование экстраполяционных методов для прогнозирования временных рядов предполагает однородность динамики. Действительно, исходный временной ряд, являющийся основой прогнозирования какого-либо процесса, может содержать в себе интервалы, внутри которых динамика характеризуется определенными отличными от других интервалов условиями. Естественно, эти интервалы на перспективу искажают полученный прогнозный результат. В этой связи возникает необходимость четкого выделения тех интервалов, для которых характерна однородная динамика. Решение этого вопроса эффективно реализуется с помощью методов теории распознавания образов [126]. [c.62]
| Рисунок 2.1. Прогнозирование временного ряда х, на шаг вперед (адаптивная полиномиальная модель нулевого (р = 0) порядка) |  |
Прогнозирование используется для выявления альтернатив и их вероятности. К количественным методам прогнозирования относятся анализ временных рядов и каузальное моделирование. Под качественными методами понимаются мнения жюри, совокупное мнение сбытовиков и метод экспертных оценок. [c.244]
Рассмотрите два типичных количественных метода прогнозирования анализ временных рядов и каузальное моделирование. [c.245]
Задачу прогнозирования производительности труда можно сформулировать следующим образом по имеющимся данным производительности труда yt, ytz, —, ytn и выявленным тенденциям ее изменения следует предсказать ее значение на периоды tn+i, tn+2,. .., tn+t. Такая постановка задачи вполне правомерна, так как производительность труда в периоды (n-Н) во многом определяется ее уровнем, достигнутым за предыдущие годы. При этом принимается допущение о том, что в прогнозируемом периоде сохраняются существующие пропорции и закономерности, достаточно устойчивые в течение значительного периода времени, и будут сохранены на некоторое время после окончания этого периода. Поэтому временной ряд должен правильно отражать объективный процесс развития, а уровни этого ряда состоять из однородных сопоставимых величин. [c.140]
Поскольку временной ряд, характеризующий динамику производительности труда (см. рис. 1), не позволяет выбрать априорно конкретный вид наилучшего приближения, для прогнозирования производительности труда воспользуемся методом гармонических весов (гармонического среднего) [62]. Другие [c.140]
Глава 8 посвящена рассмотрению стохастических регрессо-ров и использованию специальных методов инструментальных переменных. Здесь же дано описание специальных моделей временных рядов (авторегрессионных, скользящей средней, с распределенными лагами и их модификаций), позволяющих наиболее эффективно решать задачи анализа и прогнозирования временных рядов. [c.4]
Головенко В.Б. Прогнозирование временных рядов по разнородной информации. Новосибирск. 1999. [c.575]
В работе английского ученого излагаются статистические методы краткосрочного и среднесрочного прогнозирования временных рядов. Основным инструментом кратхосрочного прогнозирования, рассмотренного в книге, является метод экспоненциального сглаживания, среднесрочного — метод криволинейных трендов. Может служить справочным пособием по теме. - [c.134]
Поттосина С.А. Метод, пособие по курсу Эконометрика . Раздел Анализ и прогнозирование временных рядов. - Мн. БГУИР, 1996. [c.93]
Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сети //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб. докл., 2002. - С. 69-72. [c.188]
Сергеев А.В. Прогнозирование временных рядов с помощью нейронных сетей с радиальными базисными функция-ми//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл, 2002 г. - С. 1187 - 1191. [c.195]
В прогнозировании можно идти двумя путями. Первый - попытаться причинно-следственный механизм, т.е. найти факторы, опреде-поведение прогнозируемого показателя, прогноз по которым либо известен, либо его дать несложно. Этот путь приводит к экономико-математическому моделированию, построению модели поведения экономического объекта. В настоящее время данный путь широко используется при прогнозировании природопользования. Второй путь - не вдаваясь в механику движения, попытаться предсказать будущее положение, анали-временной ряд изолированно. В современной практике прогнозиро-природопользования такие методы изолированного анализа и про-почти не применяются, но преимущество этих методов диктует необходимость их более широкого применения. [c.31]
Чем более достоверно предположение о подобии будущего прошлому, тем вероятнее точность прогноза. Таким образом, анализ временных рядов, вероятно будет бесполезен в ситуациях с высоким уровнем подвижности или когда произошло значительное, всем известное изменение. Например, директор ресторана Бюргер Кинг не смог бы предсказать спрос на гамбургеры в ноябре, если бы знал, что фирма Мак Доналдс собралась открыть свой ресторан рядом с его рестораном в последнюю неделю октября. Подобным образом, региональная телефонная компания смогла использовать метод анализа временных радов для прогнозирования спроса на рекламу в телефонном справочнике Иелоу Пейдж в грядущем году, поскольку ее бизнес стабилен, а конкуренции практически нет. Тем не менее фирма Ралф Лорен , вероятно, не смогла бы воспользоваться этим методом для прогнозирования рождественского спроса на новую модель мужских сорочек, поскольку конкуренция в области модной одежды исключительно высока, а вкусы потребителей меняются каждый год. [c.242]