Временные динамические ряды. Сглаживание. Прогнозирование

Характеристика основных показателей динамики временных динамических рядов, а также методов их сглаживания и прогнозирования. Временное прогнозирование результативных показателей эффективности функционирования предприятия и оценка его результатов.

Рубрика Математика
Вид лекция
Язык русский
Дата добавления 06.09.2017
Размер файла 562,1 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Временные динамические ряды. Сглаживание. Прогнозирование

1. ВДР

2. Сглаживание

3. Прогнозирование

Временные ряды

Временными динамическими рядами (ВДР) называются статистические данные, отображающие развитие изучаемого процесса (явления) во времени.

В качестве фактора в ВДР используются либо даты, либо интервалы времени. В качестве отклика - количественные показатели развития изучаемого процесса во времени.

Основная цель статистического изучения временных динамических рядов (ВДР) состоит в выявлении и оценивании закономерностей их развития.

Основные показатели динамики ВДР

1. Базисный абсолютный прирост (спад) - вычисляется как разность между сравниваемым уровнем и уровнем, принятым за базу сравнения :

2. Цепной абсолютный прирост (спад) - вычисляется как разность между сравниваемым уровнем и уровнем, который ему предшествует:

3. Базисный темп роста, вычисляется делением сравниваемого уровня на уровень, принятый за базу:

4. Цепной темп роста, вычисляется делением сравниваемого уровня на предыдущий:

5. Базисный темп прироста - вычисляется делением базисного абсолютного прироста на уровень, принятый за базу сравнения:

6. Цепной темп прироста - вычисляется как отношение сравниваемого цепного абсолютного прироста к предыдущему уровню:

7. Средний уровень ВДР (оценка математического ожидания):

§ для интервального ряда:

§ для моментного ряда с равностоящими датами:

§ для момента ряда с неравностоящими датами:

8. Средний абсолютный прирост:

9. Средний темп роста:

10. Средний темп прироста:

Проверка гипотезы о существовании тенденции

1. Проверка разности средних уровней:

Разбиваем анализируемый ряд на две примерно одинаковые выборки, каждая из которых рассматривается как некоторая самостоятельная выборочная совокупность.

Принимаем допущение, что выделенные выборки подчиняются нормальному закону (можно проверить в ППП Statistica). Воспользуемся методикой, разработанной для малых выборок.

Находим средние значения для левой выборки и правой выборки . Примем допущение об однородности дисперсий. Проверка производится по F-критерию Фишера

(где )

число степеней свободы и ;

Принимаем уровень значимости по рекомендации ; если , то гипотезу не отвергаем. В этом случае можно проводить дальнейшую проверку. Выдвигаем гипотезу о равенстве средних и находим критерий Стьюдента:

,

где S - среднее квадратическое отклонение разности средних.

При уровне значимости находим критическое значение критерия Стьюдента для количества степеней свободы;

Если , то гипотеза о равенстве средних отвергается. В этом случае можно проводить прогнозирование.

2. Метод Фостера-Стюарта

Вводятся переменные и , которые находятся сравнением по всем уровням. Переменная принимает значение 1, в случае если сравниваемое значение превышает все предыдущие значения ряда, и 0 в остальных случаях.

;

Переменная принимает значение 1, в случае если сравниваемое значение меньше всех предыдущих значений ряда, и 0 в остальных случаях.

;

Вычисляем:

Показатели и имеют независимые нормальные распределения и существенно зависят от порядка расположения уровней во времени.

Показатель используется для обнаружения тенденций в средней

Показатель используется для обнаружения тенденций в дисперсии ,

где - математическое ожидание величины , определённое для случайного расположения уровней во времени, берётся по таблице; - средняя квадратическая ошибка величины :

- средняя квадратическая ошибка величины :

Сглаживание

Суть сглаживания сводится к замене фактических уровней ВДР расчётными, имеющими меньшие колебания, чем исходные данные.

На практике наиболее часто используют следующие методы:

1. Скользящих средних

2. Взвешенных скользящих средних

3. Экспоненциальный

1. Метод скользящих средних

Выбирается интервал сглаживания - нечётное число , где может меняться как целочисленное значение 1, 2, 3…и расчёт производится для центра интервала:

Так как каждый раз мы добавляем 1 новый член и 1 вычитаем, то другая запись в виде скользящей средней:

Три свойства скользящих средних

1. Уменьшение нерегулярности колебаний в ряде

2. Чем больше , тем больше сглаживание

3. Смещение сглаженных значений

4. Пропадание начальных и конечных значений ряда (концы таблиц)

5. Если требуется сгладить циклические ВДР, то интервал берётся равным или кратным циклу.

Для того, чтобы не пропадали крайние точки, используют сглаживающие формулы:

при

, ;

Для крайних значений:

при

, ;

Для крайних значений:

****

****

2. Взвешенные скользящие средние

Для устранения недостатков предыдущего метода по смещению экстремальных значений (пиков) и потере мелких колебаний используют взвешенные скользящие, в которых каждой переменной, участвующей в сглаживании придается удельный вес, соответствующий её положению относительно вычисляемого значения.

(Этот вес определяется МНК с требованием, чтобы сумма квадратов отклонений вычисленных значений от исходных была минимальной.) необязательная фраза.

для :

для :

3. Экспоненциальные средние

Основа: чем ближе переменная находится к расчётной точке, тем сильнее она должна на неё влиять.

,

где - коэффициент сглаживания, характеризующий вес текущего наблюдения, .

Средняя формируется под влиянием всех предыдущих значений, но вес каждого из них с каждым шагом уменьшается в раз, т. е. для расчётного значения это ; ближайшая переменная ; затем и т. д.… …

Прогнозирование

Для прогнозирования можно использовать методы, рассмотренные нами для сглаживания.

1. Метод скользящего среднего для прогнозирования значений, выходящих за ВДР из чисел, например для :

2. Метод взвешенного скользящего среднего

3. Экспоненциальное прогнозирование

4. Метод Бокса-Дженкинса (процедура ARIMA) (АРПСС).

Зависимость прогнозируемых значений рассматривается в виде составляющей из двух переменных.

AR - авторегрессионный процесс - т. е. зависимость от своих прошлых значений.

MA - как скользящее среднее текущего и предыдущих значений случайных членов.

ARIMA процесс,

- порядок AR-части;

- порядок MA-части;

- порядок разностей, взятых из исходного ряда для достижения его стационарности.

ARIMA по Боровикову В.

- регулярный параметр авторегрессии;

- сезонный параметр авторегрессии;

- регулярный параметр скользящего среднего;

- сезонный параметр скользящего среднего.

лать заключение о его успешном функционировании.

Временное прогнозирование результативных показателей эффективности функционирования ОАО «ICL - КПО ВС»

Статистические методы прогнозирования

В данной работе реализован стандартный подход к прогнозированию, основанный на оценке показателей, непосредственно влияющих на результат прогноза по принципу «дальше, как раньше» [18].

Рассматриваются статистические методы прогнозирования, которые получили наибольшее распространение на практике - определение зависимости между элементами временного динамического ряда (ВДР) на основе предыдущих значений и переноса этих зависимостей на будущее. Выбор сделан в их пользу в силу того, что они опираются на аппарат статистического анализа, практика применения которого имеет достаточно длительную историю [1, 6].

Наиболее распространенным и простым путем выявления тенденции развития и прогнозирования на ее основе является сглаживание или механическое выравнивание динамического ряда.

Суть различных приемов, с помощью которых осуществляется сглаживание и прогнозирование, сводится к замене фактических уровней ВДР yj, расчетными , , имеющими значительно меньшую изменяемость, чем исходные данные. Уменьшение изменяемости позволяет тенденции общего развития проявить себя более отчетливо. В ряде случаев сглаживание ряда может рассматриваться как важное вспомогательное средство, облегчающее применение других методов статистической обработки данных [1].

Как правило, после сглаживания производят прогнозирование со значениями , . В некоторых работах [18] рекомендуется, чтобы интервал прогнозирования не превышал одной трети количества имеющихся значений прогнозируемого ВДР, т.е.

(5.1.1)

Возьмем первые 20 значений имеющихся ВДР за 2000-2004 г за интервал времени для прогнозирования, тогда r - n требуется взять не более 6 кварталов, т.е. полтора года. Будем прогнозировать деятельность предприятия на четыре квартала 2005 года, т.е. r = 24 и т.к. на первые три квартала из них q = 3 имеются фактические данные, то их будем использовать для оценки качества прогнозирования. Его будем оценивать по формуле:

, (5.1.2)

где yij - фактическое значение j-ой переменной на i-ом интервале времени;

- среднее значение по фактическим данным, вычисляемое по формуле:

. (5.1.3)

Наиболее конструктивный показатель, не зависящий от размерности элементов ВДР по отношению стандартной ошибки к среднему прогнозируемому значению

(5.1.4)

Отметим, что в инженерной практике стандартная ошибка вычисляется по другой формуле. Приведём её:

.

В данной работе для вычисления стандартной ошибки использована формула (5.1.2).

Проведём прогнозирование тремя известными и применяемыми на практике методами прогнозирования [1]: скользящего среднего, экспоненциальным и авторегрессии и проинтегрированного скользящего среднего, по которым имеются стандартные процедуры прогнозирования в ППП Excel 2003 [13] и Statistica 6.0. [5]. Дополнительно проведем прогнозирование на нейронной сети Neuro Pro и сравним результаты прогнозирования по этим четырем методам.

Сглаживание и прогнозирование методом скользящего среднего

Метод скользящего среднего (СС) является наиболее простым из известных методов, он позволяет сгладить периодические и случайные колебания в ВДР и тем самым выявить наличие имеющейся тенденции его изменения. В центрированном сглаживании данные усредняются слева и справа от выбранной точки. Такой вид сглаживания имеет существенный недостаток: сигнал об изменении тенденции существенно запаздывает во времени. Однако необходимо как можно раньше определить момент изменения тенденции, чему способствует использование нецентрированного СС. В существующих ППП [5,13] для сглаживания и прогнозирования применяется нецентрированное СС.

В нецентрированном СС усредненная величина заменяет не центральный член интервала усреднения, а его последний член

, (5.2.1),

где yi - фактическое значение переменной на i-ом интервале времени;

- сглаженное, или спрогнозированное значение переменной на j-ом интервале времени;

m - интервал усреднения.

Для прогнозирования, начиная со значения n+1 и по r, спрогнозированные значения вычисляются по формуле

. (5.2.2)

Сводные результаты сглаживания и прогнозирования методом скользящего среднего при изменении интервала сглаживания m приведены в таблице 5.2.1.

По результатам таблицы 5.2.1 были сделаны следующие выводы:

1. Изменение фактора сглаживания m: 3, 5, 7, 9 с целью выявления наилучшего значения, обеспечивающего минимальную ошибку прогнозирования, существенных результатов по улучшению достоверности не дало. Для каждого показателя деятельности предприятия наилучшие спрогнозированные значения были получены при различных значениях интервала усреднения.

2. Наименьшая ошибка прогнозирования методом скользящего среднего составила 0,235388066, наибольшее значение ошибки прогнозирования - 68,36838773.

3. Лучшие результаты прогнозирования методом скользящего среднего приведены в таблице 5.2.2.

Таблица 5.2.1. Сводная таблица ошибок прогноза при изменении параметра m

Код

Ошибка прогноза

Среднее значение

Отношение стандартной ошибки к среднему значению

m=3

m=5

m=7

m=9

m=3

m=5

m=7

m=9

y1

60777,52327

78801,4937

100870,9

84564,5

142797,6667

0,425619863

0,551840205

0,706390539

0,592198062

y2

105234,0577

66755,5734

79183,36

65346,28

112090,6667

0,938829796

0,595549793

0,706422444

0,582976972

y3

3158,40561

1647,33399

1989,803

1468,194

6237,333333

0,506371143

0,264108698

0,319015081

0,235388066

y4

15439,08137

10759,2706

14191,6

12037,04

21675,66667

0,712277118

0,496375532

0,654725148

0,555324792

y5

1546,507894

1601,37733

5763,453

6631,376

3645,333333

0,424243204

0,43929517

1,581049762

1,81914113

y6

1615,945016

693,359003

1366,403

898,5244

2608,666667

0,619452472

0,265790571

0,523793483

0,344438177

y7

955,030715

509,144498

517,6526

373,48

705,6666667

1,35337371

0,7215085

0,73356538

0,529258772

y8

186,9580068

166,191616

159,3092

235,1568

612,67

0,305154527

0,271259439

0,260025866

0,383825069

y9

19408,54989

17416,9543

18885,03

19457,92

36853

0,52664776

0,472606146

0,512442125

0,527987279

y10

20178,76

18861,773

20389,55

20910,41

37726

0,534876848

0,499967477

0,540464231

0,554270455

y11

16180,51843

21135,1669

20422,66

18790,70

236,6666667

68,36838773

89,30352225

86,29291756

79,39731151

y12

13634,32043

19178,1621

22971,09

24010,34

665

20,50273748

28,83934148

34,54298844

36,10576784

y13

214,8190544

139,875658

181,888

156,4402

237,8227432

0,903273806

0,588150888

0,764805069

0,657801759

y14

2,576856041

2,60473278

10,55362

12,48477

6,072491704

0,424349043

0,428939701

1,737938657

2,055954619

Таблица 5.2.2. Результаты прогнозирования методом скользящего среднего с минимальными значениями ошибок прогнозирования

Код переменной

Квартал

Фактическое значение

Прогнозируемое значение

Отношение стандартной ошибки к среднему значению

m

y1

1/2005

83098

237165,6667

0,425619863

3

2/2005

106481

222477,3333

3/2005

238814

142797,6667

y2

1/2005

63636

150601,8889

0,582976972

9

2/2005

85730

154314,6667

3/2005

186906

163593,2222

y3

1/2005

3958

5858

0,235388066

9

2/2005

6161

6353,333333

3/2005

8593

6913,777778

y4

1/2005

12950

24837,4

0,496375532

5

2/2005

14928

26756,4

3/2005

37149

29021

y5

1/2005

2554

2880,666667

0,424243204

3

2/2005

2216

3061,333333

3/2005

6166

3645,333333

y6

1/2005

1428

2431,8

0,265790571

5

2/2005

2487

2886,8

3/2005

3911

3386,8

y7

1/2005

283

887,8888889

0,529258772

9

2/2005

716

930,3333333

3/2005

1118

1036,555556

y8

1/2005

673

468,2857143

0,260025866

7

2/2005

400

521,2857143

3/2005

765

625,2857143

y9

1/2005

47586

30194,4

0,472606146

5

2/2005

10864

31269

3/2005

52109

38280,8

y10

1/2005

48991

30427

0,499967477

5

2/2005

9633

31182,8

3/2005

54554

38482,8

y11

1/2005

67

24527,66667

68,36838773

3

2/2005

199

13876

3/2005

444

236,6666667

y12

1/2005

465

21483,33333

20,50273748

3

2/2005

459

11217,66667

3/2005

1071

665

y13

1/2005

139,6605042

321,453728

0,588150888

5

2/2005

177,7646077

333,7849497

3/2005

396,0431177

359,9255947

y14

1/2005

4,292436975

4,93971937

0,424349043

3

2/2005

3,699499165

5,200760323

3/2005

10,22553897

6,072491704

Результаты сглаживания и прогнозирования для интервала усреднения m = 3, при котором получены лучшие результаты для y1 и y2 и для m = 5, при котором получены лучшие результаты для y13, представлены на рис. 5.2.1-5.2.3.

Рис. 5.2.1. Прогнозируемое значение выручки (нетто) от продажи товаров, продукции, работ, услуг

Рис. 5.2.2. Прогнозируемое значение прибыли от продаж

Рис. 5.2.3. Прогнозируемое значение дохода на одного работника

Экспоненциальное сглаживание и прогнозирование

В основу экспоненциального сглаживания и прогнозирования положен принцип введения различных удельных весов для усредняемых значений ВДР, так называемый принцип «взвешивания». Чем дальше отстоит элемент ВДР от точки сглаживания или прогнозирования, тем меньшее влияние на вычисляемый элемент он должен иметь. Таким образом, влияние прошлых наблюдений должно затухать по мере удаления от момента, для которого определяется средняя. Поставленная задача может быть решена с помощью применения специальной системы весов, а именно информации приписывается вес, соответствующий степени ее новизны.

Один из простейших приемов сглаживания ряда с учетом «устаревания» данных заключается в расчете специальных показателей, получивших название экспоненциальных средних.

Экспоненциальная средняя

, (5.3.1)

где - экспоненциальная средняя (сглаженное значение уровня ряда) на момент j;

yj - фактическое значение на момент времени j;

- коэффициент сглаживания, характеризующий вес текущего наблюдения при расчете экспоненциальной средней, .

Средняя формируется под влиянием всех предыдущих значений, но вес каждого из них с каждым шагом уменьшается в (1 - ) раз, т.е. для расчетного значения это ; ближайшая переменная (1 - ); затем (1-)2 и т.д..., для i-го элемента (1 - )i

; (5.3.2)

;

;

.

Очевидно, результат сглаживания зависит от коэффициента сглаживания - . Если равно 1, то предыдущие наблюдения полностью игнорируются. Если равно 0, то игнорируются текущие наблюдения. Значения между 0 и 1 дают промежуточные результаты.

Соответственно этому выражению средний уровень ряда на момент времени j равен линейной комбинации двух величин: фактического уровня для этого же момента и среднего уровня, рассчитанного для предыдущего периода. Таким образом, средняя здесь формируется под влиянием всех предшествующих уровней ряда от его начала и до момента времени j включительно. временный ряд сглаживание прогнозирование

Следовательно, средняя для момента времени j представляет собой линейную комбинацию значений всех наблюдений от y1 до yj.

При расчете прогнозируемых значений ВДР методом экспоненциального сглаживания используется следующая формула:

(5.3.3)

В дополнении к простому экспоненциальному сглаживанию, были предложены более сложные модели, включающие сезонную компоненту и тренд. Общая идея таких моделей состоит в том, что прогнозы вычисляются не только по предыдущим значениям (как в простом экспоненциальном сглаживании), но и с некоторыми задержками, что позволяет независимо оценить тренд и сезонную составляющую.

Экспоненциальное сглаживание и прогнозирование проведено с помощью ППП Statistica 6.0 [6].

Сводные результаты сглаживания и прогнозирования методом экспоненциального сглаживания при изменении параметра приведены в таблице 5.3.1.

Таблица 5.3.1. Сводная таблица ошибок прогноза при изменении параметра alpha (delta=0,100; lag=4)

Код

Ошибка прогноза

Среднее значение

Отношение стандартной ошибки к среднему значению

alpha=0,2

alpha=0,4

alpha=0,6

alpha=0,8

alpha=0,2

alpha=0,4

alpha=0,6

alpha=0,8

y1

38341,0552

42085,5413

48242,96

54720,48

142797,6667

0,268499171

0,294721491

0,337841355

0,383202922

y2

29079,5659

34037,9663

41381,09

48127,33

112090,6667

0,259428967

0,303664589

0,369175164

0,429360727

y3

811,639186

1388,67414

2077,875

2631,703

6237,33

0,130125992

0,222639077

0,333135182

0,421927592

y4

6685,6415

7109,65678

7469,075

7888,403

21675,66667

0,308439948

0,328001758

0,344583404

0,363928978

y5

2303,93178

1663,40198

1545,68

3237,102

3645,33

0,632022252

0,45630998

0,424015193

0,888012577

y6

1332,1064

1479,26759

1458,08

1421,655

2608,666667

0,510646461

0,567058879

0,558936934

0,544973636

y7

227,224502

229,372177

381,5196

551,6347

705,6666667

0,321999767

0,325043236

0,540651326

0,78172141

y8

156,904051

281,977886

311,2799

271,1022

612,6666667

0,256100193

0,460246822

0,508073904

0,442495466

y9

420304,804

36112,8909

44832,28

84275,83

36853

11,40490065

0,979917262

1,216516356

2,286810484

y10

30115,7989

31271,5872

33697,3

36463,81

37726

0,798277021

0,828913407

0,893211691

0,966543289

y11

19356,6999

14607,9703

8682,66

4619,337

236,6666667

81,78887273

61,72381808

36,68729565

19,51832489

y12

23410,9955

19330,226

17347,26

19096,68

665

35,20450448

29,06800896

26,08609931

28,7168064

y13

74,4604795

77,5113267

85,90946

93,10522

237,8227432

0,313092341

0,325920581

0,361233168

0,391489971

y14

4,46463244

2,52296944

2,993029

2,922797

6,072491704

0,735222485

0,415475156

0,492883187

0,481317589

По результатам таблицы 5.3.1, были сделаны следующие выводы:

1. Изменение коэффициента сглаживания от 0,2 до 0,8 с шагом 0,2 при прогнозировании методом экспоненциального сглаживания показало, что наиболее близкие к фактическим прогнозируемые значения достигаются в большинстве случаев при значении =0,2.

2. Наименьшая ошибка прогнозирования методом экспоненциального сглаживания составила 0,130125992, а наибольшая - 81,78887273.

3. Наиболее достоверные результаты, полученные при прогнозировании методом экспоненциального сглаживания по результативным показателям yj, , представлены в таблице 5.3.2.

Таблица 5.3.2. Наилучшие результаты прогнозирования методом экспоненциального сглаживания

Код

Квартал

Фактическое значение

Прогнозируемое значение

Отношение стандартной ошибки к среднему значению

alpha

y1

1/2005

83098

81561,3

0,268499

0,2

2/2005

106481

169571,6

3/2005

238814

218142,3

y2

1/2005

63636

64693,4

0,259429

0,2

2/2005

85730

134700,4

3/2005

186906

175173,8

y3

1/2005

3958

4249,84

0,130126

0,2

2/2005

6161

6901,81

3/2005

8593

7434,42

y4

1/2005

12950

13568,10

0,30844

0,2

2/2005

14928

24277,83

3/2005

37149

30345,18

y5

1/2005

2554

1142,08

0,424015

0,6

2/2005

2216

4374,69

3/2005

6166

6882,86

y6

1/2005

1428

-215,322

0,510646

0,2

2/2005

2487

1220,687

3/2005

3911

2901,314

y7

1/2005

283

358,425

0,32

0,2

2/2005

716

532,207

3/2005

1118

778,259

y8

1/2005

673

543,879

0,2561

0,2

2/2005

400

613,117

3/2005

765

656,531

y9

1/2005

47586

32643,5

0,979917

0,2

2/2005

10864

66747,1

3/2005

52109

75904,5

y10

1/2005

48991

8613,54

0,798277

0,2

2/2005

9633

38280,2

3/2005

54554

38125,9

y11

1/2005

67

6133,17

19,51832

0,2

2/2005

199

3947,58

3/2005

444

4072,29

y12

1/2005

465

29843,7

26,0861

0,2

2/2005

459

3791,2

3/2005

1071

6416,1

y13

1/2005

139,6605042

121,089

0,313092

0,2

2/2005

177,7646077

305,379

3/2005

396,0431177

397,687

y14

1/2005

4,292436975

2,36924

0,415475

0,4

2/2005

3,699499165

5,44379

3/2005

10,22553897

6,71059

Результаты сглаживания и прогнозирования для коэффициента сглаживания = 0,2, при котором получены наиболее достоверные результаты прогнозирования y1 и y13 и для = 0,6, при котором получены наиболее достоверные результаты прогнозирования для y5, представлены на рис. 5.3.1. - 5.3.3.

Рис. 5.3.1. Прогнозируемое значение выручки (нетто) от продажи товаров, продукции, работ, услуг

Рис. 5.3.2. Прогнозируемое значение прибыли от продаж

Рис. 5.3.3. Прогнозируемое значение дохода на одного работника

Прогнозирование методом авторегрессии и проинтегрированного скользящего среднего

Прогнозирование на ВДР, в которых наряду с общей тенденцией изменения переменных во времени, требуется учитывать и, так называемую, «сезонную» составляющую, весьма успешно проводится методом Бокса-Дженкинса [2], называемого АРПСС - авторегрессионным и проинтегрированным скользящим средним.

Общая модель, предложенная Боксом и Дженкинсом [2], включает как параметры авторегрессии, так и параметры скользящего среднего. Вводится три типа параметров модели: параметры авторегрессии (p), порядок разности (d), параметры скользящего среднего (q). В обозначениях Бокса и Дженкинса [2] модель записывается как АРПСС (p, d, q). Например, модель (0,1,2) содержит 0 (ноль) параметров авторегрессии (p) и два параметра скользящего среднего (q), которые вычисляются для ряда после взятия разности с лагом 1.

Мультипликативная сезонная АРПСС представляет естественное развитие и обобщение обычной модели АРПСС на ВДР, в которых имеется периодическая сезонная компонента. В дополнении к несезонным параметрам - общей тенденции изменения ВДР, в модель вводятся сезонные параметры для определения лага (устанавливаемого на этапе идентификации модели). Аналогично параметрам простой модели АРПСС, эти параметры называются: сезонная авторегрессия (ps), сезонная разность (ds) и сезонное скользящее среднее (qs). Таким образом, полная сезонная АРПСС может быть записана как АРПСС (p, d, q)(ps, ds, qs). Например, модель (0, 1, 2)(0, 1, 1) включает 0 регулярных параметров авторегрессии, 2 регулярных параметра скользящего среднего и 1 параметр сезонного скользящего среднего. Сезонный лаг, используемый для сезонных параметров, определяется на этапе анализа характеристик ИСД.

Для учета имеющейся авторегрессии требуется выделить элементы, которые последовательно зависят друг от друга. Такую зависимость можно выразить следующей математической зависимостью:

, (5.4.1)

где - константа (свободный член);

- параметры авторегрессии;

- случайное воздействие.

Можно заметить, что каждое наблюдение есть сумма случайной компоненты (случайного воздействия ) и линейной комбинации предыдущих наблюдений.

Результаты прогнозирования методом авторегрессии и проинтегрированного скользящего среднего представлены в таблицах 35 - 48 приложения 1.

Сводные результаты прогнозирования методом авторегрессии и проинтегрированного скользящего среднего при изменении интервала сезонности приведены в таблице 5.4.1.

По результатам таблицы 5.4.1, были сделаны следующие основные выводы:

1. Изменение интервала сезонности (Seasonal Lag = 3; 4; 6; 8) при прогнозировании методом авторегрессии и проинтегрированного скользящего среднего показало, что наиболее близкие прогнозируемые значения к фактическим значениям достигаются в большинстве случаев при значении Seasonal Lag=6.

2. Наименьшая ошибка прогнозирования методом авторегрессии и проинтегрированного скользящего среднего составила 0,070643338, а наибольшая - 78,14655803.

3. Наиболее точные результаты, полученные при прогнозировании методом авторегрессии и проинтегрированного скользящего среднего, представлены в таблице 5.4.2.

Таблица 5.4.1. Сводная таблица ошибок прогноза при изменении параметра Seasonal Lag

Код

Ошибка прогноза

Среднее значение

Отношение стандартной ошибки к среднему значению

Seasonal Lag = 3

Seasonal Lag = 4

Seasonal Lag = 6

Seasonal Lag = 8

Seasonal Lag = 3

Seasonal Lag = 4

Seasonal Lag = 6

Seasonal Lag = 8

y1

46474,61891

39049,32

11989,94753

26460,06

142797,6667

0,325457831

0,27345908

0,08396459

0,185297569

y2

41655,7104

23815,43466

13940,08

24734,48194

112090,6667

0,371625146

0,212465813

0,124364368

0,220664955

y3

1121,677531

1275,985453

839,0179399

1114,758949

6237,333333

0,179832866

0,204572272

0,134515488

0,178723645

y4

6369,603852

7326,434238

1531,241457

5082,332101

21675,66667

0,293859651

0,338002718

0,070643338

0,234471778

y5

2337,371948

562,9341764

1378,388796

1183,868058

3645,333333

0,64119567

0,154425981

0,378124212

0,324762635

y6

735,0432271

908,2633089

476,6327079

941,9936854

2608,666667

0,281769701

0,34817147

0,182711235

0,361101592

y7

129,2396622

300,5284023

116,3265935

337,0688531

705,6666667

0,183145483

0,425878699

0,164846377

0,47766016

y8

146,7765349

134,9460847

224,7361612

174,6281152

612,6666667

0,23956997

0,220260204

0,366816368

0,285029568

y9

14472,31684

17932,38083

17857,57454

19884,8689

36853

0,3927039

0,486592159

0,484562303

0,539572596

y10

15264,22032

20293,12173

20320,55941

21574,82296

37726

0,404607441

0,53790812

0,538635408

0,57188207

y11

18494,6854

17021,99555

16057,13

6378,745252

236,6666667

78,14655803

71,92392486

67,8470481

26,95244473

y12

9919,482688

12618,9629

8214,842355

3140,474034

665

14,91651532

18,97588407

12,3531464

4,722517344

y13

85,97

66,65081156

26,60926051

63,12594969

237,8227432

0,361506275

0,280254153

0,111886946

0,265432771

y14

3,75849488

1,097240894

3,717206986

2,505916653

6,072491704

0,618937837

0,18069039

0,612138668

0,412666954

Таблица 5.4.2. Наилучшие результаты прогнозирования методом АРПСС

Код

Квартал

Фактическое значение

Прогнозируемое значение

Отношение стандартной ошибки к среднему значению

Seasonal Lag

y1

1/2005

83098

78300,7

0,08396459

6

2/2005

106481

91333,3

3/2005

238814

225442,0

y2

1/2005

63636

52599,8

0,124364368

6

2/2005

85730

69642,8

3/2005

186906

172679,9

y3

1/2005

3958

4079,87

0,134515488

6

2/2005

6161

7376,24

3/2005

8593

9380,53

y4

1/2005

12950

11372,07

0,070643338

6

2/2005

14928

17035,74

3/2005

37149

37467,82

y5

1/2005

2554

2433,69

0,154425981

4

2/2005

2216

2748,99

3/2005

6166

6973,55

y6

1/2005

1428

1271,393

0,182711235

6

2/2005

2487

2354,344

3/2005

3911

3111,367

y7

1/2005

283

444,804

0,164846377

6

2/2005

716

833,369

3/2005

1118

1092,709

y8

1/2005

673

668,6615

0,220260204

4

2/2005

400

632,8516

3/2005

765

784,8159

y9

1/2005

47586

41634,55

0,3927039

3

2/2005

10864

23177,88

3/2005

52109

31102,04

y10

1/2005

48991

38029,41

0,404607441

3

2/2005

9633

15372,10

3/2005

54554

31189,59

y11

1/2005

67

533,59

26,95244473

8

2/2005

199

4694,88

3/2005

444

10525,39

y12

1/2005

465

1004,164

4,722517344

8

2/2005

459

3177,860

3/2005

1071

5751,260

y13

1/2005

139,6605042

148,9521

0,111886946

6

2/2005

177,7646077

222,5744

3/2005

396,0431177

390,5746

y14

1/2005

4,292436975

3,0673

0,18069039

4

2/2005

3,699499165

2,3334

3/2005

10,22553897

10,7201

Результаты сглаживания и прогнозирования для интервала сглаживания Seasonal Lag = 6, при котором получены наиболее достоверные результаты прогнозирования y1 и y13 и для Seasonal Lag = 4, при котором были получены наиболее достоверные результаты прогнозирования для y5, представлены на рис. 5.4.1 - 5.4.3.

Рис. 5.4.1. Прогнозируемое значение выручки (нетто) от продажи товаров, продукции, работ, услуг

Рис. 5.4.2. Прогнозируемое значение прибыли от продаж

Рис. 5.4.3. Прогнозируемое значение дохода на одного работника

Прогнозирование на нейронных сетях

В последние десятилетия в мире усиленно развивается новая прикладная область математики, специализирующаяся на нейронных сетях (НС) [10]. Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами.

Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов - дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса.

Рис. 5.5.1. Строение биологического нейрона

Можно считать, что при прохождении синапса сила импульса меняется в определенное число раз, которое мы будем называть весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

Можно построить математическую модель описанного процесса. На рисунке 5.5.2 изображена модель нейрона с тремя входами (дендритами), причем синапсы этих дендритов имеют веса w1, w2, w3. Пусть к синапсам поступают импульсы силы x1, x2, x3 соответственно, тогда после прохождения синапсов и дендритов к нейрону поступают импульсы w1x1, w2x2, w3x3. Нейрон преобразует полученный суммарный импульс x=w1x1+w2x2+w3x3 в соответствии с некоторой передаточной функцией f(x). Сила выходного импульса равна y=f(x)=f(w1x1+w2x2+w3x3). Таким образом, нейрон полностью описывается своими весами wi , и передаточной функцией f(x). Получив набор чисел (вектор) xi на вход, нейрон выдает некоторое число y на выходе, являющееся функцией от входных сигналов.

Рис. 5.5.2. Модель искусственного нейрона с тремя входами и одним выходом

Искусственной нейронной сетью называют некоторое устройство или его программную реализацию, которое состоит из большого количества параллельно работающих процессорных элементов - нейронов, соединенных адаптивными линиями передачи информации - связями или синапсами.

Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.

Теперь, когда стало ясно, что именно мы хотим построить, мы можем переходить к вопросу «как строить такую сеть». Этот вопрос решается в два этапа:

1. Выбор типа (архитектуры) сети.

2. Подбор весов (обучение) сети.

На первом этапе следует определить, какие нейроны мы хотим использовать (число входов, передаточные функции), каким образом следует соединить их между собой, что взять в качестве входов и выходов сети.

Эта задача на первый взгляд кажется весьма сложной, но она упрощается, т.к. нам необязательно придумывать нейросеть с нуля - существует несколько десятков различных нейросетевых архитектур, причем эффективность многих из них доказана математически [10]. В данной работе использован наиболее популярный и свободно распространяемый по сети Интернет программный продукт Neuro Pro, представляющий собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows XP.

Для решения поставленной задачи наиболее подходит многослойная нейронная сеть с последовательными связями, в которой нейроны объединяются в слои. Слой содержит совокупность нейронов с едиными входными сигналами. Число нейронов в слое может быть любым и не зависит от количества нейронов в других слоях. Внешние входные сигналы подаются на входы нейронов входного слоя, а выходами сети являются выходные сигналы последнего слоя. Кроме входного и выходного слоев в многослойной нейронной сети есть один или несколько скрытых (внутренних) слоев.

1. Количество нейронов во входном слое будем менять: 3, 4, 6, 8, т.к. для прогнозирования будем использовать три, четыре, шесть или восемь последних значений.

2. Количество выходов (выходной слой) = 1, значение переменной, следующей за последними тремя, четырьмя, шестью, восемью значениями.

3. Количество нейронов внутреннего слоя. Для более точной аппроксимации и лучшей сходимости ряда возьмем количество скрытых слоев, равное 3, а количество нейронов в каждом из скрытых слоев равное 10 [10].

В качестве активационной функции нейронов скрытых слоев возьмем наиболее часто используемый на практике сигмоид [10], который имеет следующий вид:

. (5.5.1)

Основное достоинство этой функции в том, что она дифференцируема на всей оси абсцисс и имеет сравнительно простую производную:

f'(x)=a*f(x)(1-f(x)). (5.5.2)

Кроме того, она обладает свойство усиливать слабые сигналы лучше, чем большие, и предотвращать насыщение от больших сигналов, т.к. они соответствуют областям аргументов, где сигмоид имеет пологий наклон.

На втором этапе нам следует «обучить» выбранную сеть - значит сообщить ей, чего мы от нее добиваемся. Схематично процесс обучения нейросети представлен на рис 5.5.3.

Рис. 5.5.3. Процесс обучения нейросети

После многократной подачи на вход нейросети обучающих примеров передаточные веса сети стабилизируются, причем сеть дает правильные ответы на все (или почти на все) подаваемые примеры. В таком случае говорят, что «сеть выучила все примеры», «сеть обучена» или «сеть натренирована» [10]. В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку (обучение) заканчивают, а полученную сеть считают натренированной (обученной) и готовой к применению на готовых новых данных.

Важно отметить, что вся информация, которую сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу.

Объем обучающей выборки зависит от выбранного нами количества входов. Если в качестве входного сигнала взять 20 элементов ВДР, то такая сеть потенциально могла бы строить лучший прогноз, чем сеть с 4 элементами на входе, однако в этом случае мы имеем всего 1 обучающий пример, и обучение скорее всего не даст приемлемого результата. При выборе числа элементов на входе следует учитывать это, выбирая разумный компромисс между глубиной предсказания (число элементов на входе) и количеством обучающих тестов.

В данной работе с целью уменьшения ошибки прогноза была сделана попытка изменения количества входов нейронной сети, которому последовательно присваивались значения 3, 4, 6 и 8.

Прогнозируемые значения, полученные методом прогнозирования в нейронных сетях, представлены в таблицах 49 - 62 приложения 1.

Сводные результаты сглаживания и прогнозирования на нейронных сетях при изменении количества элементов ВДР на входе приведены в таблице 5.5.1.

По результатам таблицы 5.5.1 были сделаны следующие основные выводы:

1. Изменение количества элементов ВДР на входе нейронной сети (3; 4; 6; 8) при прогнозировании на нейронных сетях показало, что наиболее близкие к фактическим значениям прогнозируемые значения в большинстве случаев достигают при количестве элементов ВДР на входе, равное 8.

2. Наименьшая ошибка прогнозирования методом прогнозирования на нейронной сети составила 0,024973516, а наибольшая - 0,822503966.

3. Наиболее достоверные результаты, полученные при прогнози- ровании на нейронных сетях, представлены в таблице 5.5.2.

Таблица 5.5.1. Сводная таблица ошибок прогнозирования на нейронных сетях при изменении количества входов

Ошибка прогноза

Среднее значение

Отношение стандартной ошибки к среднему значению

m=3

m=4

m=6

m=8

m=3

m=4

m=6

m=8

y1

24399,05

28977,65

30538,85

13416,8

142797,6667

0,170864455

0,202928001

0,213860975

0,093956708

y2

5410,452

6589,582

8485,828

2903,804

112090,6667

0,048268533

0,058787967

0,075705032

0,025905853

y3

435,042

519,5491

534,8787

388,7276

6237,333333

0,06974808

0,083296673

0,085754388

0,062322722

y4

1639,767

3366,713

830,274

3668,55

21675,66667

0,075650142

0,155322235

0,038304426

0,169247396

y5

255,2573

334,0998

192,2794

280,7089

3645,333333

0,07002304

0,091651361

0,052746718

0,077005003

y6

691,4692

178,9106

405,2752

314,7656

2608,666667

0,265066153

0,068583175

0,15535722

0,120661488

y7

126,5876

57,05587

73,95148

30,40806

705,6666667

0,179387295

0,080853849

0,104796618

0,043091255

y8

95,05992

129,6813

112,5646

79,3617

612,6666667

0,155157654

0,21166693

0,183728958

0,12953488

y9

2667,297

8462,694

7948,174

3155,3

36853

0,072376663

0,229633787

0,215672368

0,085618527

y10

1884,637

4559,888

2469,543

3443,072

37726

0,049955924

0,120868574

0,065459963

0,091265239

y11

194,6593

164,946

91,44185

64,94786

236,6666667

0,822503966

0,696954983

0,386374029

0,274427569

y12

125,4251

174,419

140,3797

117,6735

665

0,188609179

0,262284168

0,211097306

0,176952663

y13

10,56735

20,63144

5,93927

17,36045

237,8227432

0,044433708

0,08675133

0,024973516

0,072997437

y14

0,885226

0,539141

0,296974

0,866815

6,072491704

0,145776426

0,088784191

0,048904877

0,142744513

Таблица 5.5.2. Наилучшие результаты прогнозирования на нейронных сетях

Код

Квартал

Фактическое значение

Прогнозируемое значение

Отношение стандартной ошибки к среднему значению

m

y1

1/2005

83098

71217,83

0,093957

8

2/2005

106481

124089

3/2005

238814

229387,9

y2

1/2005

63636

63660,67

0,025906

8

2/2005

85730

84214,45

3/2005

186906

182110,3

y3

1/2005

3958

4537,443

0,062323

8

2/2005

6161

6352,93

3/2005

8593

8308,859

y4

1/2005

12950

11702,21

0,038304

6

2/2005

14928

15461,09

3/2005

37149

37625,34

y5

1/2005

2554

2512,809

0,052747

6

2/2005

2216

2284,62

3/2005

6166

5842,722

y6

1/2005

1428

1406,1651

0,068583

4

2/2005

2487

2182,779

3/2005

3911

3965,7711

y7

1/2005

283

316,8197

0,043091

8

2/2005

716

744,9228

3/2005

1118

1146,1718

y8

1/2005

673

706,2464

0,129535

8

2/2005

400

422,4973

3/2005

765

896,4663

y9

1/2005

47586

59847,16

0,229634

4

2/2005

10864

14742,84

3/2005

52109

45075,5

y10

1/2005

48991

54529,59

0,120869

4

2/2005

9633

6710,218

3/2005

54554

59366,39

y11

1/2005

67

143,46

0,274428

8

2/2005

199

211,64

3/2005

444

362,46

y12

1/2005

465

624,463

0,176953

8

2/2005

459

562,463

3/2005

1071

997,46

y13

1/2005

139,6605042

148,364

0,024974

6

2/2005

177,7646077

182,544

3/2005

396,0431177

393,354

y14

1/2005

4,292436975

138,5463

0,048905

6

2/2005

3,699499165

186,346

3/2005

10,22553897

367,246

Результаты сглаживания и прогнозирования , при котором получены лучшие значения yj , представлены на рис. 5.5.1. - 5.5.14.

Рис. 5.5.1. Прогнозируемое значение выручки (нетто) от продажи товаров, продукции, работ, услуг

Рис. 5.5.2. Прогнозируемое значение себестоимости проданных товаров, продукции, работ, услуг

Рис. 5.5.3. Прогнозируемое значение коммерческих расходов

Рис. 5.5.4. Прогнозируемое значение управленческих расходов

Рис. 5.5.5. Прогнозируемое значение прибыли от продаж

Рис. 5.5.6. Прогнозируемое значение прибыли до налогообложения

Рис. 5.5.7. Прогнозируемое значение текущего налога на прибыль

Рис. 5.5.8. Прогнозируемое значение процентов к получению

Рис. 5.5.9. Прогнозируемое значение прочих операционных доходов

Рис. 5.5.10. Прогнозируемое значение прочих операционных расходов

Рис. 5.5.11. Прогнозируемое значение внереализационных доходов

Рис. 5.5.12. Прогнозируемое значение внереализационных расходов

Рис. 5.5.13. Прогнозируемое значение дохода на одного работника

Рис. 5.5.14. Прогнозируемое значение прибыли на одного работника

Предварительная оценка результатов прогнозирования в системе координат

На практике часто возникает необходимость заранее предсказывать ошибку прогноза, которая будет получена при применении того или иного метода прогнозирования. Для этой цели целесообразно использовать эмпирические распределения, которые позволяют получить аппроксимации в тех случаях, когда некоторые моменты распределения определены теоретически, а точное распределение неизвестно. Меррингтон и Пирсон [19] для подбора распределения предложили использовать области в плоскости (), где по оси x откладывается - квадрат нормированного показателя асимметрии, а по оси y откладывается - нормированный показатель островершинности.

Квадрат нормированного показателя вычисляется по формуле

, (5.6.1)

где - дисперсия (второй центральный момент), который можно определить по формуле

, (5.6.2)

- третий центральный момент, который можно определить по формуле

. (5.6.3)

Нормированный показатель островершинности вычисляется по формуле

, (5.6.4)

где

- четвертый центральный момент, определяемый по формуле

, (5.6.5)

В формулах (5.6.2) - (5.6.3), (5.6.5) величины , , - начальные моменты первого, второго, третьего и четвертого порядка соответственно; их можно вычислить по формулам:

,

, (5.6.6)

,

.

Величина измеряет отношение асимметрии распределения к мере рассеяния. Этот нормированный показатель позволяет сравнивать асимметрию двух распределений, имеющих различный масштаб. Величина является относительным показателем эксцесса.

Мною предложено проводить предварительный анализ ВДР, вычисляя значения и и по этим значениям заранее оценивать ошибку прогноза, которая при этом будет получена.

Для обеспечения корректности получаемых результатов предлагается методика, которая включает в себя три этапа:

1. Вычисление величин и по ВДР;

2. Получение уравнений регрессии, представляющих собой зависимости ошибки прогноза от величин и ;

3. Построение графика .

Результаты вычисления и приведены в таблице 5.6.1.

В таблице 5.6.1 z1 - отношение стандартной ошибки к среднему значению, полученное при прогнозировании методом скользящего среднего; z2 - отношение стандартной ошибки к среднему значению, полученное при прогнозировании методом экспоненциального сглаживания; z3 - отношение стандартной ошибки к среднему значению, полученное при прогнозирование методом авторегрессии и проинтегрированного скользящего среднего; z4 - отношение стандартной ошибки к среднему значению, полученное при прогнозировании на нейронных сетях.

График приведен на рисунке 5.6.1.

Таблица 5.6.1. Вычисленные значения и

j

Основные статистические характеристики ВДР

Отношение ошибки прогноза

к среднему значению

aj

ej

z1

z2

z3

z4

1

202405

145940

0,72103

0,77933

-0,6412

0,525846

2,23471

0,425619863

0,268499171

0,192299

0,093957

2

168375

126916

0,75377

0,83800

-0,5096

0,607998

2,338236

0,582976972

0,259428967

0,375303

0,025906

3

5010

3410

0,680639

1,45767

2,79648

1,839643

4,93926

0,235388066

0,130125992

0,18705

0,062323

4

20808

15359

0,73813

0,88272

-0,0993

0,67462

2,660973

0,496375532

0,308439948

0,131538

0,038304

5

8636

8935

1,034623

2,02198

5,06240

3,539729

6,721968

0,424243204

0,424015193

0,251606

0,052747

6

3398

3385

0,996174

1,39571

1,29295

1,686586

3,756355

0,265790571

0,510646461

0,327121

0,068583

7

1001

1116

1,114885

1,61975

1,91172

2,271501

4,243177

0,529258772

0,321999767

0,683927

0,043091

8

193

290

1,502591

1,52757

0,95457

2,02031

3,490141

0,260025866

0,256100193

0,283076

0,129535

9

28307

27997

0,989049

1,24468

1,07042

1,341323

3,581284

0,472606146

0,979917262

0,539508

0,229634

10

30925

30878

0,99848

1,47047

1,90955

1,8721

4,241468

0,499967477

0,798277021

0,565365

0,120869

11

8326

13769

1,653735

1,41256

0,35724

1,727545

3,020188

68,36838773

19,51832489

38,37432

0,274428

12

11266

15188

1,348127

0,96759

-0,7374

0,810588

2,159006

20,50273748

26,08609931

9,844684

0,176953

13

408

292

0,715686

0,69944

-0,7681

0,423562

2,134824

0,588150888

0,313092341

0,406331

0,024974

14

17

17

1

1,66467

3,45370

2,399239

5,45633

0,424349043

0,415475156

0,554825

0,048905

Далее приведены полученные уравнения регрессии для z1 - z4:

(5.6.7)

(5.6.8)

(5.6.9)

(5.6.10)

Ввиду того, что наилучшие результаты прогнозирования были получены при прогнозировании на нейронных сетях, далее приведен график зависимости для уравнения (5.6.10).

Рис. 5.6.1. График

Таким образом, предварительный анализ ВДР позволяет заранее оценить ошибку прогноза по вычисленным значениям и .

Продемонстрируем это на примере результативного показателя y13. По таблице 5.6.1 находим, что значения и равны соответственно 0,423562 и 2,134824.

Точка с координатами (0,423562; 2,134824) на рисунке 5.6.1 лежит между прямыми, соответствующими значениям z4=0,025 и z4=0,05. Следовательно, можно сделать выводы о том, что ошибка прогноза будет лежать в интервале [0,025; 0,05], что не противоречит результату, полученному после прогнозирования, ошибка прогноза на нейронных сетях для y13 составила 0,024974.

Нужно отметить недостаток предложенного метода. Этим недостатком является наличие зоны неопределенности, для которой невозможно заранее оценить ошибку прогноза, хотя прогнозирование можно проводить и в этом случае. Это объясняется сравнительно небольшим количеством прогнозируемых значений.

Можно надеяться, что с увеличением количества оцениваемых переменных результаты будут охватывать большую область.

При проведении временного прогнозирования получены следующие основные результаты:

1. Проведено сглаживание и прогнозирование результативных показателей эффективности функционирования предприятия. Для сглаживания и прогнозирования использованы поквартальные значения результативных показателей эффективности с первого квартала 2000 года по четвертый квартал 2004 года. Проведено прогнозирование на четыре квартала 2005 года. Оценка достоверности произведена по фактическим значениям результативных показателей по трем первым кварталам 2005 года. Применены методы скользящего среднего, экспоненциальный, авторегрессии и проинтегрированного скользящего среднего и на нейронных сетях. Лучшие результаты получены при прогнозировании на нейронных сетях, затем по убыванию качества следует метод авторегрессии и проинтегрированного скользящего среднего, затем экспоненциальный и скользящего среднего. При прогнозировании на нейронной сети отношение стандартной ошибки прогноза к среднему прогнозируемому значению для 14 результативных показателей лежит в диапазоне от 0,025 до 0,274, что следует считать вполне приемлемым для практического использования. Прогнозирование позволяет выявить нежелательные тенденции в изменении состояния предприятия и предотвратить их принятием соответствующих управленческих решений.

2. Разработан алгоритм, позволяющий по основным статистическим характеристикам ВДР вычислить стандартную ошибку прогнозирования для четырех методов. Построен график, который наглядно отображает зависимость стандартной ошибки прогноза в системе координат по оси x и по оси y , где - оценка дисперсии; а - асимметрия и э - эксцесс, вычисленные по значениям ВДР.

Размещено на Allbest.ru


Подобные документы

  • Построение многофакторной корреляционно-регрессионной модели доходности предприятия: оценка параметров функции регрессии, анализ факторов на управляемость, экономическая интерпретация модели. Прогнозирование доходности на основе временных рядов.

    дипломная работа [5,1 M], добавлен 28.06.2011

  • Изучение изменений анализируемых показателей во времени как важнейшая задача статистики. Понятие рядов динамики (временных рядов). Числовые значения того или иного статистического показателя, составляющего ряд динамики. Классификация рядов динамики.

    презентация [255,0 K], добавлен 28.11.2013

  • Понятие об основной тенденции ряда динамики, ее сущность и визуальное представление, методы анализа. Аналитическая оценка уравнения тренда. Характеристика, использование различных методов для выделения тренда временных рядов, прогнозирование показателей.

    курсовая работа [207,2 K], добавлен 04.03.2013

  • Понятие и виды статистических рядов распределения, основные формы их представления. Расчет и анализ показателей, характеризующих центральную тенденцию, вариацию, структуру и форму ряда распределения. Проведение сглаживания эмпирического распределения.

    курсовая работа [698,3 K], добавлен 07.06.2011

  • Ознакомление с математическим аппаратом анализа временных рядов и моделями авторегрессии. Составление простейших моделей авторегрессии стационарных временных рядов. Оценка дисперсии и автоковариации, построение графика автокорреляционной функции.

    лабораторная работа [58,7 K], добавлен 14.03.2014

  • Постановка задачи прогнозирования количества отказов радиоэлектронного оборудования на следующий год в аэропорту. График общей тенденции отказов. Использование метода временных рядов. Выделение тренда, применение метода скользящих средних значений.

    курсовая работа [109,9 K], добавлен 19.12.2009

  • Исследование точности прогнозирования случайного процесса с использованием метода наименьших квадратов. Анализ расхождения между трендом и прогнозом, последующая оценка близости распределения расхождений наблюдений и распределения сгенерированного шума.

    курсовая работа [1,0 M], добавлен 29.01.2010

  • Обзор адаптивных методов прогнозирования. Построение модели Брауна. Применение методов прогнозирования на примере СПК колхоза "Новоалексеевский" в рамках модели авторегрессии и проинтегрированного скользящего среднего, предложенной Боксом и Дженкинсом.

    дипломная работа [9,0 M], добавлен 28.06.2011

  • Применение в статистике конкретных методов в зависимости от заданий. Методы массовых наблюдений, группировок, обобщающих показателей, динамических рядов, индексный метод. Корреляционный и дисперсный анализ. Расчет средних статистических величин.

    контрольная работа [29,5 K], добавлен 21.09.2009

  • Динамические системы в математическом понимании. Определение функционирующей системы и системы процессов. Основные и неосновные переменные динамики систем, множества их значений, типовые кванторы. Определения и классификация динамических свойств.

    курсовая работа [144,0 K], добавлен 04.05.2011

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.