Анализ методов прогнозирования

Размещено на http://www.allbest.ru/

Содержание

Введение

1. Формализованные методы прогнозирования: корреляционно-регрессионный, методы экстраполяции, метод наименьших квадратов

1.1 Корреляционно-регрессионный метод

1.2 Методы экстраполяции

1.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

1.3 Метод наименьших квадратов

Заключение

Список использованной литературы



Введение

Процесс прогнозирования достаточно актуален в настоящее время. Широка сфера его применения. Прогнозирование широко используется в экономике, а именно в управлении. В менеджменте понятие «планирование» и «прогнозирование» тесно переплетены. Они не идентичны и не подменяют друг друга. Планы и прогнозы различаются между собой временными границами, степенью детализации содержащихся в них показателей, степенью точности и вероятности их достижения, адресностью и, наконец, правовой основой. Прогнозы, как правило, носят индикативный характер, а планы обладают силой директивного характера. Не подмена и противопоставление плана и прогноза, а их правильное сочетание - таков путь планомерного регулирования экономики в условиях рыночной экономики и перехода к ней.

В промышленности методы прогнозирования также играют первостепенную роль. Используя экстраполяцию и тенденцию, можно делать предварительные выводы относительно разных процессов, явлений, реакций, операций.

Определённую нишу прогнозирование занимает и в военных дисциплинах. Используя методы прогнозирования, можно определить(оценить) радиоактивную обстановку местности и т. д.

Существует много методов прогнозирования. Продифференцировав их общее число, необходимо выбрать оптимальный из них для использования в каждой конкретной ситуации.

Анализ методов прогнозирования, изучение этих методов, использование их в разных сферах деятельности является мероприятием рационализаторского характера. Степень достоверности прогнозов можно затем сравнить с действительно реальными показателями, и, сделав выводы, приступить к следующему прогнозу уже с существующими данными, т.е. имеющейся тенденцией. Опираясь на полученные данные, можно во временном аспекте переходить на более высокую ступень и т.д.



1. Формализованные методы прогнозирования: корреляционно-регрессионный, методы экстраполяции, метод наименьших квадратов

1.1 Корреляционно-регрессионный метод

Прежде чем приступить к анализу статистических методов прогнозирования, рассмотрим некоторые общие понятия и определения, относящиеся к корреляционным и регрессионным моделям. Две случайные величины являются корреляционно связанными, если математическое ожидание одной из них меняется в зависимости от изменения другой.

Применение корреляционного анализа предполагает выполнение следующих предпосылок:

а) Случайные величины y(y1, у2, ..., Уn) и x(x1, x2, ..., Хn) могут рассматриваться как выборка из двумерной генеральной совокупности с нормальным законом распределения.

б) Ожидаемая величина погрешности и равна нулю

в) Отдельные наблюдения стахостически независимы, т. е. значение данного наблюдения не должно зависеть от значения предыдущего и последующего наблюдений.

г) Ковариация между ошибкой, связанной с одним значением зависимой переменной у, и ошибкой, связанной с любым другим значением y, равна нулю.

д) Дисперсия ошибки, связанная с одним значением у, равна дисперсии ошибки, связанной с любым другим значением .

е) Ковариация между погрешностью и каждой из независимых переменных равна нулю.

ж) Непосредственная применимость этого метода ограничивается случаями, когда уравнение кривой является линейным относительно своих параметров bo, bi, ...,bk Это, однако, не означает, что само уравнение кривой относительно переменных должно быть линейным. Если эмпирические уравнения наблюдений не являются линейными, то во многих случаях оказывается возможным привести их к линейной форме и уже. после этого применять метод наименьших квадратов.

з) Наблюдения независимых переменных производятся без погрешности. регрессионный экстраполяция комплексность прогнозирование

Перед началом корреляционного анализа необходимо проверить выполнение этих предпосылок.

Связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей -- регрессионным анализом. Применение регрессионного анализа предполагает обязательное выполнение предпосылок (б-г) корреляционного анализа. Только при выполнении приведенных предпосылок оценки коэффициентов корреляции и регрессии, получаемые с помощью способа наименьших квадратов, будут несмещенными и иметь минимальную дисперсию.

Регрессионный анализ тесно связан с корреляционным. При выполнении предпосылок корреляционного анализа выполняются предпосылки регрессионного анализа. В то же время регрессионный анализ предъявляет менее жесткие требования к исходной информации.» Так, например, проведение регрессионного анализа возможно даже в случае отличия распределения случайной величины от нормального, как это часто бывает для технико-экономических величин. В качестве зависимой переменной в регрессионном анализе используется случайная переменная, а в качестве независимой -- неслучайная переменная.

По степени комплексности статистические исследования можно разделить на двумерные и многомерные. Первые касаются рассмотрения парных взаимосвязей между переменными (парные корреляции и регрессии) и направлены в прогнозных исследованиях на решение таких задач, как установление количественной меры тесноты связи между двумя случайными величинами, установление близости этой связи к линейной, оценки достоверности и точности прогнозов, полученных экстраполяцией регрессионной зависимости. Многомерные методы статистического - анализа направлены в основном на решение задачи системного анализа многомерных стохастических объектов прогнозирования. Целью такого анализа является, как правило, выяснение внутренних взаимосвязей между переменными комплекса, построение многомерных функций связи переменных, выделение минимального числа характеристик, описывающих объект с достаточной степенью точности. Одной из основных задач здесь является сокращение размерности описания объекта прогнозирования.

Таким образом, статистические методы используются в основном для подготовки данных, приведения их к виду, пригодному для производства прогноза. Как правило, после их применения используется один из методов экстраполяции или интерполяции для получения непосредственно прогнозного результата.

1.2 Методы экстраполяции

Методы экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее разработанными среди всей совокупности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе .предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих--регулярной и случайной:

[2, стр. 58]

Считается, что регулярная составляющая f(a, х) представляет собой гладкую функцию от аргумента (в большинстве случаев-- времени), описываемую конечномерным вектором параметров а,которые сохраняют свои значения на периоде упреждения прогноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуитивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от случайной составляющей. Все зависит от того, какую цель преследует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррелированным случайным процессом с нулевым математическим ожиданием. Ее оценки необходимы для дальнейшего определения точностныххарактеристик прогноза.

Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего в некотором смысле описания тренда и на определение прогнозных значений путем его экстраполяции. Методы экстраполяции во многом пересекаются с методами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначениях или написании формул. Тем не менее сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позволяющих причислять ее к некоторому самостоятельному виду методов прогнозирования.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирования, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстраполирующей функции, так и на определение границ изменения ее параметров.



1.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

Предварительная обработка исходного числового ряда направлена на решение следующих задач (всех или части из них): снизить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая группа состоит из предыдущей и последующей точек, в более сложных -- функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью многочленов, приближающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях весьма эффективным средством выявления тренда при наложении на эмпирический числовой ряд случайных помех и ошибок измерения. Для рядов со значительной амплитудой помехи имеется возможность проводить многократное сглаживание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процедурой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применяться операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в скользящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку числового ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представления исходного ряда, оставляя прежними его значения.

Наиболее общими приемами выравнивания являются логарифмирование и замена переменных.

В случае если эмпирическая формула предполагается содержащей три параметра либо известно, что функция трехпараметрическая, иногда удается путем некоторых преобразований исключить один из параметров, а оставшиеся два привести к одной из формул выравнивания.

Можно рассматривать выравнивание не только как метод представления исходных данных, но и как метод непосредственного приближенного определения параметров функции, аппроксимирующей исходный числовой ряд. Зачастую именно так и используется этот метод в некоторых экстраполяционных прогнозах. Отметим, что возможность непосредственного его использования для определения параметров аппроксимирующей функции определяется главным образом видом исходного числового ряда и степенью наших знаний, нашей уверенности относительно вида функции, описывающей исследуемый процесс.

В том случае, если вид функции нам неизвестен, выравнивание следует рассматривать как предварительную процедуру, в процессе которой путем применения различных формул и приемов выясняется наиболее подходящий вид функции, описывающей эмпирический ряд.

Одной из разновидностей метода выравнивания является исследование эмпирического ряда с целью выяснения некоторых свойств функции, описывающей его. При этом не обязательно преобразования приводят к линейным формам. Однако результаты их подготавливают и облегчают процесс выбора аппроксимирующей функции в задачах прогностической экстраполяции. В простейшем случае предлагается использовать следующие три типа дифференциальных функций роста:

1) Первая производная, или абсолютная дифференциальная функция роста.

2) Относительный дифференциальный коэффициент, или логарифмическая производная,

3) Эластичность функции

1.3 Метод наименьших квадратов

Расчет параметров af b для конкретной функциональной зависимости осуществляется с помощью метода наименьших квадратов (МНК) и его модификаций. Суть МНК состоит в отыскании параметров модели, минимизирующих отклонения расчетных значений от соответствующих значений эмпирического ряда, т.е. искомые параметры должны удовлетворять условию.

Расчет значений параметров зависимости осуществляйся путем решения системы нормальных уравнений, поучаемой дифференцированием функции S по а и Ь. В случае однофакторной линейной зависимости она имеет вид МНК применим и для расчета параметров нелинейных зависимостей. Для формирования системы нормальных уравнений эти зависимости необходимо свести к линейному виду путем преобразования (введения новых переменных).

Выбор модели осуществляется с помощью специально разработанных программ. Есть программы, предусматривающие возможность моделирования экономических рядов по 16 функциям: линейной, гиперболической различных типов, экспоненциальной, степенной, логарифмической и др. Каждая из них может иметь свою специфическую область применения при прогнозировании экономических явлений.

Так, линейная функция (у = ах + Ъ) применяется для описания процессов, равномерно развивающихся во времени. Параметр а (коэффициент регрессии) показывает скорость изменения прогнозируемого у при изменении х.

Гиперболы хорошо описывают процессы, характеризующиеся насыщением, когда существует фактор, сдерживающий изменение прогнозируемого показателя.

Модель выбирается, во-первых, визуально, на основе сопоставления вида кривой, ее специфических свойств и качественной характеристики тенденции экономического явления; во-вторых, исходя из значения критерия выбора лучшей зависимости. В качестве критерия чаще всего используется сумма квадратов отклонений S и корреляционное отношение Ц. Из совокупности функций выбирается та, которой соответствует минимальное значение S и максимальное значение Л *

Прогноз предполагает продление тенденции прошлого, выражаемой выбранной функцией, в будущее, т.е. экстраполяцию динамического ряда. Программным путем на ЭВМ определяется значение прогнозируемого показателя. Для этого в формулу, описывающую процесс, подставляется прогнозное значение фактора. Например, если зависимость линейная (у = ах + Ъ) и рассчитанные значения параметров а = 0,7и& = 1,2,то при прогнозном значении фактора х = 7,2 прогнозируемый показатель будет равен: у =0,7- 7,2 + 1,2 = 6,24; в случае нелинейной зависимости вида у = ахъ при а = 1,6, & = 0,5 и прогнозном значении фактора х =7 прогнозируемый показатель будет равен: у = 1,6-7°'5= 4,234.

МНК используется также при расчете параметров многофакторных линейных и нелинейных зависимостей.

В связи с тем, что метод подбора функций исходит из инерционности экономических явлений и предпосылок, что общие условия, определяющие развитие в прошлом, не претерпят существенных изменений в будущем, его целесообразно использовать при разработке краткосрочных прогнозов обязательно в сочетании с методами экспертных оценок.

Экстраполяция методом подбора функций учитывает все данные исходного ряда с одинаковым «весом». Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. Однако, как показывает опыт, экономические показатели имеют тенденцию «старения». Влияние более поздних наблюдений на развитие процесса в будущем существеннее, чем более ранних. Проблему «старения» данных динамических рядов решает метод экспоненциального сглаживания с регулируемым трендом. Он позволяет построить такое описание процесса, при котором более поздним наблюдениям придаются большие «веса» по сравнению с более ранними, причем «веса» наблюдений убывают по экспоненте. В результате создается возможность получить оценку параметров зависимости, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения.

Скорость старения данных характеризует параметр сглаживания а. Он изменяется в пределах 0 < а < 1.

В зависимости от величины параметра прогнозные оценки по-разному учитывают влияние исходного ряда наблюдений: чем больше а, тем больше вклад последних наблюдений в формирование зависимости, а влияние начальных условий быстро убывает. При малом а прогнозные оценки учитывают все наблюдения, при этом уменьшение влияния более «старой» информации происходит медленно, т.е. чем меньше а, тем данные более стабильны, и наоборот.

В области экономического прогнозирования наиболее употребимы пределы 0,05 < а < 0,3. Значение а в общем случае должно зависеть от срока прогнозирования: чем меньше срок, тем большим должно быть значение параметра.

Этот метод реализуется на ЭВМ с помощью специально разработанных программ.



Заключение

На основании проведенного исследования можно сделать следующие выводы и предложения:

1. Под прогнозом понимается система научно обоснованных представлений о возможных состояниях объекта в будущем, об альтернативных путях его развития.

Прогноз выражает предвидение на уровне конкретно-прикладной теории, в то же время прогноз неоднозначен и носит вероятностный и многовариантный характер.

Процесс разработки прогноза называется прогнозированием.

2. Прогнозирование по своему составу шире планирования, так как включает не только показатели деятельности хозяйствующего субъекта, но и в большей степени учитывает изменяющиеся параметры внешней среды.

В тоже время прогноз и план взаимно дополняют друг друга. Формы сочетания прогноза и плана могут быть самыми различными: прогноз может предшествовать разработке плана (в большинстве случаев), следовать за ним (прогнозирование последствий принятого в плане решения), проводиться в процессе разработки плана, самостоятельно играть роль плана, особенно в крупномасштабных экономических системах (регион, государство), когда невозможно обеспечить точное определение показателей, т.е. план приобретает вероятностный характер и практически превращается в прогноз.

Планирование нацелено на обоснование принятия и практической реализации управляющих решений. Цель прогнозирования - прежде всего создать научные предпосылки для их осуществления.

3. Важнейшим составным элементом методологии планирования и прогнозирования являются методологические принципы, под которыми понимаются исходные положения, основополагающие правила формирования и обоснования планов и прогнозов. Они обеспечивают целенаправленность, целостность, определенную структуру и логику разрабатываемых планов и прогнозов.

4. Методы планирования и прогнозирования -- это способы, приемы, с помощью которых обеспечивается разработка и обоснование планов и прогнозов.

5. Особенностью формализованных методов является то, что эти методы базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет обеспечить деятельность по обработке информации и оценке результатов.

Формализованные методы позволяют получать количественные показатели.

К формализованным методам относятся экстраполяционные и регрессивные методы,метод и др.

6. Экстраполяция относится к формализованным методам прогнозирования, основой которых является математическая теория, которая повышает достоверность, точность прогнозов, позволяет облегчить работу по обработке информации и результатов прогноза, значительно сокращает сроки его производства.

Экстраполяция заключается в изучении сложившихся в прошлом и настоящем устойчивых тенденций экономического развития и перенесении их на будущее.

Использование экстраполяции в прогнозировании имеет в своей основе предположение о том, что рассматриваемый процесс изменения переменной представляет собой сочетание двух составляющих Xt регулярной (детерменированная неслучайная) и et случайной.

7. В целях совершенствования прогнозирования необходимо использовать программы для автоматизации бухгалтерского учета, например 1С: Бухгалтерию, а также различные программы для анализа и прогнозирования. Среди таких программ выделяют, например Пакет анализа MS Excel который обеспечивает не только простой ввод данных для анализа и прогнозирования, но и самым процесс анализа и прогнозирования, таким образом, обеспечивая формирование прогнозируемых показателей в наиболее приемлемой форме, обеспечивающей быстроту и правильность расчетов.



Список использованной литературы

1. Арженовский С.В. «Методы социально-экономического прогнозирования»: Учебное пособие. - М.: Издательско «Дашков и Ко»; Ростов н/Д, 2008

2. Бестужев-Лада И.В. «Социальное прогнозирование». Курс лекций. - М.: Педагогическое общество России 2002

3. «Прогнозирование и планирование экономики»: Учеб.пособие / под общ.ред. В.И. Боресевича, Г.А. Кандауровой. - Мн.: Экоперспектива, 2001. - 380 с.

4. Сафронова В.М. «Прогнозирование и моделирование в социальной работе»: Учеб. пособие для студ. высш. учеб. заведений. - М.: Издательский центр «Академия», 2002

5. Сафронова В.М. «Прогнозирование и моделирование в социальной работе»: Учеб. пособие для студ. высш. учеб. заведений. - М.: Издательский центр «Академия», 2002

Размещено на Allbest.ru