При определении прогнозных значений того или иного явления с помощью экстраполяции наибольший интерес представляет, по-видимому, не сама экстраполяция – это более или менее механический прием, а определение доверительных интервалов прогноза.
Доверительные интервалы могут быть определены двояко: формально и неформально. Что касается последнего, то это дело экспертного суждения, которое выносится при качественном осмыслении результатов прогноза, сопоставлении их с другими имеющимися у эксперта данными. При этом, естественно, эксперт должен учитывать не только степень колеблемости фактических уровней вокруг тренда в прошлом, но и возможность деформации тренда в будущем (соответственно могут быть получены различные варианты прогноза).
Формальный доверительный интервал учитывает лишь ту неопределенность, которая связана с ограниченностью числа наблюдений и соответствующей неточностью найденных оценок параметров кривой. Основной вопрос, – в какой мере в будущем сохранится найденная тенденция, – естественно, не может быть решен с помощью таких доверительных интервалов. Это дело содержательного экономического анализа и экспертной оценки.
Основное внимание в данном учебном пособии уделим оценке формальных доверительных интервалов, базирующихся на статистическом анализе.
Соответствующая погрешность имеет следующие источники:
1) выбор формы кривой, характеризующей тренд, содержит элемент субъективизма. Во всяком случае, часто нет твердой основы для того, чтобы утверждать, что выбранная форма кривой является единственно возможной, а тем более лучшей для экстраполяции в данных конкретных условиях;
2) оценивание параметров кривых (иначе говоря, оценивание тренда) производится на основе ограниченной совокупности наблюдений, каждое из которых содержит случайную компоненту. В силу этого параметрам кривой, а, следовательно, и ее положению в пространстве свойственна некоторая неопределенность;
3) тренд характеризует средний уровень ряда на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом. Естественно ожидать, что подобного рода отклонения будут происходить и в будущем.
Вполне возможны случаи, когда форма кривой, описывающей тенденцию, выбрана неправильно или когда тенденция развития в будущем может существенно измениться и не следовать тому типу кривой, который был принят при выравнивании. В последнем случае основное допущение экстраполяции не соответствует фактическому положению вещей. Найденная кривая лишь выравнивает динамический ряд и характеризует тенденцию только в пределах периода, охваченного наблюдением. Экстраполяция такого тренда неизбежно приведет к ошибочному результату, причем ошибку такого рода нельзя оценить заранее. В связи с этим можно лишь отметить то, что, по-видимому, следует ожидать рост такой погрешности (или вероятности ее возникновения) при увеличении периода упреждения.
Погрешность, связанная со вторым и третьим источниками, может быть отражена в виде доверительного интервала прогноза при принятии некоторых допущений о свойстве ряда. С помощью такого интервала точечный прогноз преобразуется в интервальный.
Интуитивно понятно, что в основу расчета доверительного интервала прогноза должен быть положен измеритель колеблемости ряда наблюдаемых значений признака. Чем выше эта колеблемость, тем менее определенно положение тренда в пространстве “уровень - время” и тем шире должен быть интервал для вариантов прогноза при одной и той же степени доверия. Традиционно в качестве такого измерителя колеблемости используется среднее квадратическое (стандартное) отклонение (3.11).
Полученные в ходе статистического оценивания параметры не свободны от погрешности, связанной с тем, что объем информации, на основе которой производилось оценивание, ограничен, и в некотором смысле эту информацию можно рассматривать как выборку. Во всяком случае, смещение периода наблюдения только на один шаг или добавление, или устранение членов ряда в силу того, что каждый член ряда содержит случайную компоненту, приводит к изменению численных оценок параметров. Отсюда расчетные значения несут на себе груз неопределенности, связанной с ошибками в значении параметров.
В общем виде доверительный интервал для тренда определяется как:
, (4.1)
где – средняя квадратическая ошибка тренда; –расчетное значение уровня ряда; –значение t -статистики Стьюдента.
В STATISTICA при расчете доверительных интервалов прогноза величину среднего квадратического отклонения S y
можно определить, воспользовавшись таблицей дисперсионного анализа (см. рис. 3.17). Рассчитанное в ячейке Residual Mean Squares
значение соответствует подкоренному выражению в формуле (3.11) для S y
, то есть остаточной дисперсии.Остается только извлечь из него квадратный корень (
тыс.чел.).
Значение коэффициента доверия t=2,306 нам известно при оценке статистической значимости параметров линейной модели тренда.
Таким образом, доверительный интервал прогноза на 2011 год определяется как:
На 2012 год:
Этот прогноз можно интерпретировать следующим образом: число выездов россиян за границу с целью туризма в 2011 году с вероятностью 95% будет составлять от 12137,31 тыс.чел. до 13289,88 тыс. чел.
Один из наиболее распространенных методов прогнозирования заключается в экстраполяции, т.е. в предсказании будущего на основе данных прошлого.
Экстраполяция базируется на следующих допущениях:
§ развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией - трендом;
§ общие условия, определяющие тенденцию развития в прошлом, не претерпят существенных изменений в будущем.
Таким образом, экстраполяция дает описание некоторого общего будущего развития объекта прогнозирования. Причем если развитие в прошлом носило перманентно скачкообразный характер, то при достаточно продолжительном периоде наблюдений скачки оказываются «зафиксированными» в самом тренде, и последний опять-таки можно применить в прогнозировании.
Проведем прогнозирование на основе экстраполяции лучшей формы тренда (линейной) для экспорта за период 2001-2007 гг:
Напомним, что у текущей переменной 7 уровней ряда, обозначенных натуральными числами. Соответственно прогноз динамики экспорта в 2008 (t=8) составит:
(млрд. долл)
Проведем прогнозирование на основе экстраполяции лучшей формы тренда (линейной) для импорта за период 2001-2007 гг:
Напомним, что у текущей переменной 7 уровней ряда, обозначенных натуральными числами. Соответственно прогноз динамики импорта в 2008 (t=8) составит:
(млрд. долл)
Экстраполяция дает возможность получить точечное значение прогноза, что может быть признано удовлетворительным только при наличии функциональной зависимости. Однако для экономических явлений характерна корреляционная зависимость и переменные, как правило, являются непрерывными. Следовательно, указание точечных значений прогноза, строго говоря, лишено содержания. Отсюда следует, что прогноз должен быть дан в виде интервала значений, т.е. необходимо определение доверительного интервала прогноза.
Доверительные интервалы прогноза
При составлении прогноза погрешность имеет следующие источники:
§ выбор формы кривой, характеризующей тренд, содержит элемент субъективизма. Во всяком случае, часто нет твердой основы для того, чтобы утверждать, что выбранная форма кривой является единственно возможной, а тем более лучшей для экстраполяции в данных конкретных условиях;
§ оценивание параметров кривых (иначе говоря, оценивание тренда) производится на основе ограниченной совокупности наблюдений, каждое из которых содержит случайную компоненту. В силу этого параметрам кривой, а, следовательно, и ее положению в пространстве свойственна некоторая неопределенность;
§ тренд характеризует средний уровень ряда на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом.
Естественно ожидать, что подобного рода отклонения будут происходить и в будущем.
Вполне возможны случаи, когда форма кривой, описывающей тенденцию, выбрана неправильно или когда тенденция развития в будущем может существенно измениться и не следовать тому типу кривой, который был принят при выравнивании. В последнем случае основное допущение экстраполяции не соответствует фактическому положению вещей. Найденная кривая лишь выравнивает динамический ряд и характеризует тенденцию только в пределах периода, охваченного наблюдением. Экстраполяция такого тренда неизбежно приведет к ошибочному результату, причем ошибку такого рода нельзя оценить заранее. В связи с этим можно лишь отметить то, что, по-видимому, следует ожидать рост такой погрешности (или вероятности ее возникновения) при увеличении периода упреждения.
Погрешность, связанная со вторым и третьим источниками, может быть отражена в виде доверительного интервала прогноза при принятии некоторых допущений о свойстве ряда. С помощью такого интервала точечный прогноз преобразуется в интервальный.
Во всяком случае, смещение периода наблюдения только на один шаг или добавление, или устранение членов ряда в силу того, что каждый член ряда содержит случайную компоненту, приводит к изменению численных оценок параметров. Отсюда расчетные значения несут на себе груз неопределенности, связанной с ошибками в значении параметров.
В общем виде доверительный интервал для тренда определяется как:
где - средняя квадратическая ошибка тренда;
Расчетное значение y t ;
Значение t-статистики Стьюдента.
В STATISTICA при расчете доверительных интервалов прогноза величину среднего квадратического отклонения S y можно определить, воспользовавшись таблицей дисперсионного анализа. Рассчитанное в ячейке Residual Mean Squares значение соответствует подкоренному выражению в формуле для S y , то есть остаточной дисперсии. Остается только извлечь из него квадратный корень.
Для экспорта (см. таблицу 77), для импорта (см. таблицу 80).
Значит, для экспорта S y = 18,11,для импорта S y = 25,45.
Значение коэффициента доверия t находим по таблице Стьюдента с учетом доверительной вероятности 95%. При использовании линейной и степенной функций число степеней свободы равно 4, соответственно значение критерия равно 2,776.
Таким образом, доверительный интервал прогноза для экспорта на 2008 год определяется как:
Этот прогноз можно интерпретировать следующим образом: количество экспорта Японии в 2008 году с вероятностью 95% будет составлять от 704,542 млрд. долл. до 805,089 млрд. долл.
Доверительный интервал прогноза для импорта на 2008 год определяется как:
Этот прогноз можно интерпретировать следующим образом: количество импорта Японии в 2008 году с вероятностью 95% будет составлять от 596,072 млрд. долл. до 737,371 млрд. долл.
Графическое представление результатов прогнозирования
Завершающим этапом прогнозирования является построение графических изображений, дающих представление о точности прогноза и наглядно демонстрирующих размах доверительных интервалов.
Таблица 89. Данные прогнозирования для экспорта
Рис. 63.
Таблица 90. Данные прогнозирования для экспорта
Рис. 64.
К сожалению, в нашем случае реальные значения вышли за пределы доверительного интервала прогноза, что лишний раз подчёркивает трудности выбора модели тренда.
Экстраполяция на основе среднего темпа роста и среднего абсолютного прироста
В данном пункте рассмотрим прогнозирование на основе среднего темпа роста. Значения будущих периодов получают, руководствуясь формулой:
где - средний темп роста; - уровень, принятый за базу для экстраполяции.
Средний темп роста определяется как:
где y n - данные за последний год периода, а y 1 - данные по первому году в рассматриваемом периоде.
Рассчитаем для экспорта:
Доверительный интервал:
Таблица 91. Расчеты по формуле, средний темп роста для экспорта Японии
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/
Доверительные интервалы прогноза
Заключительным этапом применения кривых роста является экстраполяция тенденции на базе выбранного уравнения. Прогнозные значения исследуемого показателя вычисляют путем подстановки в уравнение кривой значений времени t, соответствующих периоду упреждения. Полученный таким образом прогноз называют точечным, так как для каждого момента времени определяется только одно значение прогнозируемого показателя.
На практике в дополнении к точечному прогнозу желательно определить границы возможного изменения прогнозируемого показателя, задать "вилку" возможных значений прогнозируемого показателя, т.е. вычислить прогноз интервальный.
Несовпадение фактических данных с точечным прогнозом, полученным путем экстраполяции тенденции по кривым роста, может быть вызвано:
1) субъективной ошибочностью выбора вида кривой;
2) погрешностью оценивания параметров кривых;
3) погрешностью, связанной с отклонением отдельных наблюдений от тренда, характеризующего некоторый средний уровень ряда на каждый момент времени.
Погрешность, связанная со вторым и третьим источником, может быть отражена в виде доверительного интервала прогноза. Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде:
где n - длина временного ряда;
L - период упреждения;
-точечный прогноз на момент n+L;
t a - значение t-статистики Стьюдента;
S p - средняя квадратическая ошибка прогноза.
Предположим, что тренд характеризуется прямой:
Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность. Погрешность параметра a0 приводит к вертикальному сдвигу прямой, погрешность параметра a1 - к изменению угла наклона прямой относительно оси абсцисс. С учетом разброса конкретных реализаций относительно линий тренда, дисперсию S 2 p можно представить в виде:
доверительный интервал прогноз погрешность
Доверительные интервалы прогнозов, полученных с использованием уравнения экспоненты, определяют аналогичным образом. Отличие состоит в том, что как при вычислении параметров кривой, так и при вычислении средней квадратической ошибки используют не сами значения уровней временного ряда, а их логарифмы.
По такой же схеме могут быть определены доверительные интервалы для ряда кривых, имеющих асимптоты, в случае, если значение асимптоты известно (например, для модифицированной экспоненты).
В таблице 4.1 приведены значения K* в зависимости от длины временного ряда n и периода упреждения L для прямой и параболы. Очевидно, что при увеличении длины рядов (n) значения K* уменьшаются, с ростом периода упреждения L значения K* увеличиваются. При этом влияние периода упреждения неодинаково для различных значений n: чем больше длина ряда, тем меньшее влияние оказывает период упреждения L.
Таблица 4.1.
Значения К* для оценки доверительных интервалов прогноза на основе линейного тренда и параболического тренда при доверительной вероятности 0,9 (7).
Проверка адекватности выбранных моделей
Проверка адекватности выбранных моделей реальному процессу (в частности, адекватности полученной кривой роста) строится на анализе случайной компоненты. Случайная остаточная компонента получается после выделения из исследуемого ряда систематической составляющей (тренда и периодической составляющей, если она присутствует во временном ряду). Предположим, что исходный временной ряд описывает процесс, не подверженный сезонным колебаниям, т.е. примем гипотезу об аддитивной модели ряда вида:
При использовании кривых роста y t вычисляют, подставляя в уравнения выбранных кривых соответствующие последовательные значения времени. Принято считать, что модель адекватна описываемому процессу, если значения остаточной компоненты удовлетворяют свойствам случайности, независимости, а также случайная компонента подчиняется нормальному закону распределения.
При правильном выборе вида тренда отклонения от него будут носить случайный характер. Это означает, что изменение остаточной случайной величины не связано с изменением времени. Таким образом, по выборке, полученной для всех моментов времени на изучаемом интервале, проверяется гипотеза о зависимости последовательности значений e t от времени, или, что то же самое, о наличии тенденции в ее изменении. Поэтому для проверки данного свойства может быть использован один из критериев, рассматриваемых в разделе I, например, критерий серий.
Если вид функции, описывающей систематическую составляющую, выбран неудачно, то последовательные значения ряда остатков могут не обладать свойствами независимости, т.к. они могут коррелировать между собой. В этом случае говорят, что имеет место автокорреляция ошибок. В условиях автокорреляции оценки параметров модели, полученные по методу наименьших квадратов, будут обладать свойствами несмещенности и состоятельности (с этими свойствами знакомятся в курсе математической статистики). В то же время эффективность этих оценок будет снижаться, а, следовательно, доверительные интервалы будут иметь мало смысла в силу своей ненадежности.
Существует несколько приемов обнаружения автокорреляции. Наиболее распространенным является метод, предложенный Дарбиным и Уотсоном. Критерий Дарбина-Уотсона связан с гипотезой о существовании автокорреляции первого порядка, т.е. автокорреляции между соседними остаточными членами ряда. Значение этого критерия определяется по формуле:
Можно показать, что величина d приближенно равна:
где r 1 - коэффициент автокорреляции первого порядка (т.е. парный коэффициент корреляции между двумя рядами e 1 , e 2 ,.,e n -1 и e 2 , e 3 ,., e n).
Из последней формулы видно, что если в значениях e t имеется сильная положительная автокорреляция (r 1 ~1), то величина d=0, в случае сильной отрицательной автокорреляции (r 1 ~ - 1) d=4. При отсутствии автокорреляции (r 1 ~ 0) d=2.
Для этого критерия найдены критические границы, позволяющие принять или отвергнуть гипотезу об отсутствии автокорреляции. Авторами критерия границы определены для 1, 2,5 и 5% уровней значимости. Значения критерия Дарбина-Уотсона при 5% уровне значимости приведены в таблице 4.2 В этой таблице d 1 и d 2 - соответственно нижняя и верхняя доверительные границы критерия Дарбина-Уотсона; k| - число переменных в модели; n - длина временного ряда.
Применение на практике критерия Дарбина-Уотсона основано на сравнении величины d, рассчитанной по формуле (4.10.), с теоретическими значениями d 1 и d 2 , взятыми из таблицы. Отметим, что большинство программных пакетов статистической обработки данных осуществляет расчет этого критерия (например, ППП "Олимп", "Мезозавр", "Statistica" и др.).
При сравнении величины d с d 1 и d 2 , возможны следующие варианты:
1) Если d < d 1 , то гипотеза о независимости случайных отклонений (отсутствие автокорреляции) отвергается;
2) Если d > d 2 , то гипотеза о независимости случайных отклонений не отвергается;
3) Если d 1_ < d<_ d 2 , то нет достаточных оснований для принятия решений, т.е. величина попадает в область "неопределенности".
Рассмотренные варианты относятся к случаю, когда в остатках имеется положительная автокорреляция. Когда же расчетное значение d превышает 2, то можно говорить о том, что в e t существует отрицательная автокорреляция.
Для проверки отрицательной автокорреляции с критическими значениями d 1 , и d 2 , сравнивается не сам коэффициент d, а 4-d.
Для определения доверительных интервалов модели свойство нормальности распределения остатков имеет важное значение. Поскольку временные ряды экономических показателей, как правило, невелики (<50), то проверка распределения на нормальность может быть произведена лишь приближенно, например, на основе исследования показателей асимметрии и эксцесса.
При нормальном распределении показатели асимметрии (А) и эксцесса (Э) равны нулю. Так как мы предполагаем, что отклонения от тренда представляют собой выборку из некоторой генеральной совокупности, то можно определить выборочные характеристики асимметрии и эксцесса, а также их среднеквадратические ошибки.
где А - выборочная характеристика асимметрии;
Э - выборочная характеристика эксцесса;
среднеквадратическая ошибка выборочной характеристики асимметрии;
среднеквадратическая ошибка выборочной характеристики эксцесса.
Если одновременно выполняются следующие неравенства:
то гипотеза о нормальном характере распределения случайной компоненты не отвергается. Если выполняется хотя бы одно из неравенств
то гипотеза о нормальном характере распределения отвергается.
Другие случаи требуют дополнительной проверки с помощью более мощных критериев.
Пример 4 .1 .
Программа выдала следующие характеристики ряда остатков:
длина ряда n=20; коэффициент асимметрии А=0,6; коэффициент эксцесса Э=0,7.
На основании этих характеристик можно считать, что:
а) случайная компонента подчиняется нормальному закону распределения;
б) случайная компонента не подчиняется нормальному закону распределения;
в) требуется дополнительная проверка характера распределения случайной компоненты.
Определим:
Т.к. одновременно выполняются оба неравенства
можно считать, что случайная компонента подчиняется нормальному закону распределения - вариант ответа а).
Характеристики точности моделей
Важнейшими характеристиками качества модели, выбранной для прогнозирования, являются показатели ее точности. Они описывают величины случайных ошибок, полученных при использовании модели. Таким образом, чтобы судить о качестве выбранной модели, необходимо проанализировать систему показателей, характеризующих как адекватность модели, так и ее точность.
О точности прогноза можно судить по величине ошибки (погрешности) прогноза. Ошибка прогноза - величина, характеризующая расхождение между фактическим и прогнозным значением показателя.
Абсолютная ошибка прогноза определяется по формуле:
Эта характеристика имеет ту же размерность, что и прогнозируемый показатель и зависит от масштаба измерения уровней временного ряда. На практике широко используется относительная ошибка прогноза, выраженная в процентах относительно фактического значения показателя:
Также используются средние ошибки по модулю (абсолютные и относительные):
где n - число уровней временного ряда, для которых определялось прогнозное значение.
Из (4.18.), (4.19.) видно, что если абсолютная и относительная ошибка больше 0, то это свидетельствует о "завышенной" прогнозной оценке, если - меньше 0, то прогноз был занижен.
Очевидно, что все указанные характеристики могут быть вычислены после того, как период упреждения уже окончился, и имеются фактические данные о прогнозируемом показателе или при рассмотрении показателя на ретроспективном участке.
В последнем случае имеющаяся информация делится на две части: по первой - оцениваются параметры модели, а данные второй части рассматриваются в качестве фактических. Ошибки прогнозов, полученные ретроспективно (на втором участке) характеризуют точность применяемой модели.
На практике при проведении сравнительной оценки моделей могут использоваться такие характеристики качества как дисперсия (S 2) или среднеквадратическая ошибка прогноза (S):
Чем меньше значения этих характеристик, тем выше точность модели. О точности модели нельзя судить по одному значению ошибки прогноза. Например, если прогнозная оценка месячного уровня производства в июне совпала с фактическим значением, то это не является достаточным доказательством высокой точности модели. Надо учитывать, что единичный хороший прогноз может быть получен и по плохой модели, и наоборот. Следовательно, о качестве применяемых моделей можно судить лишь по совокупности сопоставлений прогнозных значений с фактическими. Простой мерой качества прогнозов может стать - относительное число случаев, когда фактическое значение охватывалось интервальным прогнозом:
где р - число прогнозов, подтвержденных фактическими данными;
q - число прогнозов, не подтвержденных фактическими данными.
Когда все прогнозы подтверждаются, q=0 и =1.
Если же все прогнозы не подтвердились, то р=0 и =0. Отметим, что сопоставление коэффициентов для разных моделей может иметь смысл при условии, что доверительные вероятности приняты одинаковыми.
Список литературы
1. Айвозян С.А. Прикладная статистика и основы прогнозирования. - 1998.
2. Дуброва Т.А. Статистические методы прогнозирования в экономике, - 1999.
3. Статистическое моделирование и прогнозирование. - учебное пособие, под. ред. Гранберга А.Г. - 1990.
Размещено на Allbest.ru
Подобные документы
Применение моделей кривых роста в бизнес-прогнозировании. Методы выбора кривых роста. Доверительные интервалы прогноза для линейного тренда, и полученные с использованием уравнения экспоненты. Дисперсия отклонений фактических наблюдений от расчетных.
курсовая работа , добавлен 13.09.2015
Максимальная ошибка прогноза. Геометрический смысл коэффициента. Истинная прямая регрессии. Ширина доверительного интервала. Матричная запись многофакторной регрессии. Эконометрический анализ нелинейной зависимости показателя от второго фактора.
контрольная работа , добавлен 30.07.2010
Расчет доверительных интервалов прогноза для линейного тренда с использованием уравнения экспоненты. Оценка адекватности и точности моделей. Использование адаптивных методов в экономическом прогнозировании. Экспоненциальные средние для временного ряда.
контрольная работа , добавлен 13.08.2010
Выработка экономических ориентиров для обоснования решений планирования и управления. Прогнозирование цены облигации. Определение интервала прогноза с заданной вероятностью. Определение коэффициента эластичности для значения прогноза цены тренда.
контрольная работа , добавлен 04.11.2009
Анализ изменения курса доллара и проведение аналитического выравнивания. Вычисление точечного прогресса на начало 2018 года с помощью уравнения динамического ряда. Расчет среднеквадратического отклонения от тренда для определения интервального прогноза.
задача , добавлен 15.04.2014
Задача на нахождение коэффициента эластичности. Точечный прогноз для любой точки из области прогноза. Нахождение производной заданной функции. Эконометрический анализ линейной зависимости показателя от двух факторов. Эластичность в точке прогноза.
контрольная работа , добавлен 30.07.2010
Основные элементы эконометрического анализа временных рядов. Задачи анализа и их первоначальная обработка. Решение задач кратко- и среднесрочного прогноза значений временного ряда. Методы нахождения параметров уравнения тренда. Метод наименьших квадратов.
контрольная работа , добавлен 03.06.2009
Построение поля корреляции. Оценка данной зависимости линейной, степенной и гиперболической регрессией. Оценка тесноты связи с помощью показателей корреляции и детерминации. Расчет коэффициента эластичности. Определение доверительного интервала прогноза.
контрольная работа , добавлен 13.11.2011
Зависимость объема выпуска продукции от объема капиталовложений. Оценка параметров регрессий. Линейный коэффициент парной корреляции. Прогнозные значения результативного признака. Построение интервального прогноза. Ширина доверительного интервала.
контрольная работа , добавлен 25.10.2011
Проверка гипотезы на наличие тенденции. Обоснование периода упреждения прогноза. Выбор оптимальной прогнозной модели по коэффициенту детерминации. Получение точечного и интервального прогноза. Расчет параметров линейной и экспоненциальной моделей.
Получение оценок коэффициентов регрессии и проверка их достоверности не являются самоцелью, это лишь необходимый промежуточный этап. Основное - это использовать модель для анализа и прогноза значений изучаемого экономического явления. Прогноз осуществляется подстановкой значения фактора х в полученную формулу регрессии.
Используем полученное в примере 1.1 (прил.4) уравнение регрессии для прогноза объема товарооборота. Если намечается открыть магазин с численностью работников х=140 чел., то обоснованный объем товарооборота устанавливается по уравнению y(х)= -0,974 + 0,01924140=1,72 млрд. рублей.
Доверительный интервал для прогноза значения у(х)= 0 + 1 хопределяется по формуле
где t p - критическая граница распределения Стьюдента с n - 2 степенями свободы, соответствующая уровню значимости р. Для получения доверительного интервала воспользуемся выражением (2.2).
Выберем уровень значимости 5%. Количество степеней свободы у нас 8 - 2 = 6, тогда по таблице распределения Стьюдента (приложение 1) находим
t 0.05 (6)=2,447.= =0,089,
следовательно, с вероятностью 95% истинные значения объемов товарооборота будут лежать в пределах
1,72 - 2,4470,048 Пример.
Построить уравнение регрессии между заданными переменными, проверить её адекватность, сделать прогноз методом экстраполяции. 1
. Построить диаграмму рассеяния в EXCELи сделать заключение о наличии корреляции. Таблица 2.6Диаграмма 2.1 Из диаграммы 2.1 видно, что между переменнымиx и y имеется сильная линейная связь. Таблица2.7 2.1. Теснота связи между переменными: Вывод: сильнаясвязь. t выб =r выб * Так какt выб =5,84 3. Записать систему нормальных уравнений для коэффициентов линейной регрессии. Используя метод наименьших квадратов, рассчитайте эти коэффициенты. Подставляя в найденное уравнение регрессии значения (графа (3) табл.2.7), рассчитаем значения (графа (7) табл.2.7). 4. Для полученного уравнения регрессии между Х и У рассчитать среднюю ошибку аппроксимации. Сделать заключение об адекватности полученной модели. Заполним 8-ю и 9-ю графу табл.2.7. Модель признается удовлетворительной. 5
. Проверить значимость коэффициента a 1 уравнения регрессии, используя критерий Стьюдента. Решение: Таблица 2.8 Выводы: С доверительной вероятностью 0.9 коэффициент a 1 является статистически значимым, таким образом, гипотеза отвергается. 6. Проверить адекватность уравнения регрессии в целом, применив F-критерий Фишера-Снедекора. Статистическая проверка: :модель не адекватна Так какF выб >F кр, то отвергается гипотеза (принимается альтернативная)сдоверительной вероятностью 0.95. Данная модель адекватна и может использоваться для прогнозирования при принятии управленческих решений. Доля вариации. Таким образом, 80% вариации объясняемой переменной объясняется включенным в модельфактором, а 20% факторами, не включенными в модель. Тесноту связи между переменными для произвольной связи показывает эмпирическое корреляционное отношение, при линейной связи, и коэффициент корреляции равен коэффициенту детерминации. 9
. Выполнить точечный прогноз для. Сформулировать общие выводы относительно полученной регрессионной модели. Математическое ожидание среднего. Чтобы выполнить интервальный прогноз рассмотрим две области. Имеем:n=10, t=2,31(таб. Приложение 1), 19,334-4,22 2)=1,53. : 27,9; 42,6; 57,0; 66,7 Таблица 2.9 Т.к. 90% точек наблюдения находится в 90% - доверительном интервале, данная модель с ее доверительными границами можетиспользоваться для прогнозированияс доверительной вероятностью 0,9. Контрольные вопросы Задания и задачи 1
. Имеются данные о показателях деятельности компаний США в 2006г. Чистая прибыль, млрд$,у Использованный капитал, млрд Оборот капитала, млрд$,х2 Капитализация компании, млрд$, х4 Численность сотрудников, тыс.чел., х3 2. Имеются данные о показателях деятельности компаний США в 2009г. Чистая прибыль, млрд $, у Использованный капитал, млрд $.х1 Оборот капитала, млрд$, х2 Численность, тыс. чел., х3 уровне значимости 5 или 10% (г = 0,05; г = 0,10). 3. Имеются данные о строящемся жилье в Санкт-Петербурге (по состоянию на январь 2012 г.). Принятые обозначения: Определить факторы, влияющие на цену квартир в Санкт-Петербурге. Выбрать лучшее из полученных регрессий, используя коэффициент детерминации. Определить теоретические стоимости квартирна основе полученной регрессии. Самостоятельная работа студентов Примерная тематика рефератов Использование метода главных компонент для моделей рыночной экономики. Предпосылки финансовой эконометрики. Примеры использования моделей финансовых вариабельных процессов. Примеры использования модели временного ряда финансовых показателей. Примеры использования систем взаимозависимых уравнений в макроэкономике. Оценка коэффициентов взаимозависимых уравнений. Рекурсивные и блочно-рекурсивные модели в экономических исследованиях (примеры использования). Применение одношагового и двухшагового МНК для оценки коэффициентов взаимозависимых уравнений. Отображение изменчивости в модели с переменной структурой. Методы обнаружения изменчивости в структуре модели (на примерах). Примеры моделей с эволюционирующими коэффициентами. Применение модели с зависимыми переменными. Прогнозирование на базе эконометрической модели. Проблема верификации прогноза. Программное обеспечение эконометрического моделирования. Литература для самостоятельной работы INTERNET-ресурсы КОНТРОЛЬНАЯ РАБОТА по дисциплине «Планирование и прогнозирование в условиях рынка» на тему: Доверительные интервалы прогноза Оценка адекватности и точности моделей Глава 1. Теоретическая часть. 3 Глава 2. Практическая часть. 9 Список используемой литературы.. 13 Доверительные интервалы прогноза. Оценка адекватности и точности моделей 1.1 Доверительные интервалы прогноза Заключительным этапом применения кривых роста является экстраполяция тенденции на базе выбранного уравнения. Прогнозные значения исследуемого показателя вычисляют путем подстановки в уравнение кривой значений времени t, соответствующих периоду упреждения. Полученный таким образом прогноз называют точечным, так как для каждого момента времени определяется только одно значение прогнозируемого показателя. На практике в дополнении к точечному прогнозу желательно определить границы возможного изменения прогнозируемого показателя, задать "вилку" возможных значений прогнозируемого показателя, т.е. вычислить прогноз интервальный. Несовпадение фактических данных с точечным прогнозом, полученным путем экстраполяции тенденции по кривым роста, может быть вызвано: 1. субъективной ошибочностью выбора вида кривой; 2. погрешностью оценивания параметров кривых; 3. погрешностью, связанной с отклонением отдельных наблюдений от тренда, характеризующего некоторый средний уровень ряда на каждый момент времени. Погрешность, связанная со вторым и третьим источником, может быть отражена в виде доверительного интервала прогноза. Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде: где n - длина временного ряда; L -период упреждения; y n + L -точечный прогноз на момент n+L; t a - значение t-статистики Стьюдента; S p - средняя квадратическая ошибка прогноза. Предположим, что тренд характеризуется прямой: Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность. Погрешность параметра а о приводит к вертикальному сдвигу прямой, погрешность параметра a 1 - к изменению угла наклона прямой относительно оси абсцисс. С учетом разброса конкретных реализаций относительно линий тренда, дисперсию можно представить в виде: где - дисперсия отклонений фактических наблюдений от расчетных; t 1 - время упреждения, для которого делается экстраполяция; t - порядковый номер уровней ряда, t = 1,2,..., n; Порядковый номер уровня, стоящего в середине ряда, Тогда доверительный интервал можно представить в виде: Обозначим корень в выражении (1.3.) через К. Значение К зависит только от n и L, т.е. от длины ряда и периода упреждения. Поэтому можно составить таблицы значений К или К*= t a K . Тогда интервальная оценка будет иметь вид: Выражение, аналогичное (1.3.), можно получить для полинома второго порядка: Дисперсия отклонений фактических наблюдений от расчетных определяется выражением: где y t - фактические значения уровней ряда, Расчетные значения уровней ряда, n- длина временного ряда, k - число оцениваемых параметров выравнивающей кривой. Таким образом, ширина доверительного интервала зависит от уровня значимости, периода упреждения, среднего квадратического отклонения от тренда и степени полинома. Чем выше степень полинома, тем шире доверительный интервал при одном и том же значении S y , так как дисперсия уравнения тренда вычисляется как взвешенная сумма дисперсий соответствующих параметров уравнения Рисунок 1.1. Доверительные интервалы прогноза для линейного тренда Доверительные интервалы прогнозов, полученных с использованием уравнения экспоненты, определяют аналогичным образом. Отличие состоит в том, что как при вычислении параметров кривой, так и при вычислении средней квадратической ошибки используют не сами значения уровней временного ряда, а их логарифмы. По такой же схеме могут быть определены доверительные интервалы для ряда кривых, имеющих асимптоты, в случае, если значение асимптоты известно (например, для модифицированной экспоненты). В таблице 1.1. приведены значения К* в зависимости от длины временного ряда n и периода упреждения L для прямой и параболы. Очевидно, что при увеличении длины рядов (n) значения К* уменьшаются, с ростом периода упреждения L значения К* увеличиваются. При этом влияние периода упреждения неодинаково для различных значений n: чем больше длина ряда, тем меньшее влияние оказывает период упреждения L. Таблица 1.1. Значения К* для оценки доверительных интервалов прогноза на основе линейного тренда и параболического тренда при доверительной вероятности 0,9 (7). Линейный тренд Параболический тренд Длина ряда (п) Период упреждения (L) длина ряда (п) период упреждения (L) Задание 1.5. Использование адаптивных методов в экономическом прогнозировании 1. Рассчитать экспоненциальную среднюю для временного ряда курса акций фирмы ЮМ. В качестве начального значения экспоненциальной средней взять среднее значение из 5 первых уровней ряда. Значение параметра адаптации а принять равным 0,1. Таблица 1.2. Курс акций фирмы IBM 2. По данным задания №1 рассчитать экспоненциальную среднюю при значении параметра адаптации а равным 0,5. Сравнить графически исходный временной ряд и ряды экспоненциальных средних, полученные при а=0,1 и а =0,5. Указать, какой ряд носит более гладкий характер.Практический блок
Глава 1. Теоретическая часть 
(1.2.),
(1.3.),
(1.4.),
(1.5.), (1.6.),
(1.7.),
7
2,6380 2,8748 3,1399
7
3,948 5,755 8,152
8
2,4631 2,6391 2,8361
8
3,459 4,754 6,461
9
2,3422 2,4786 2,6310
9
3,144 4,124 5,408
10
2,2524 2,3614 2,4827
10
2,926 3,695 4,698
11
2,1827 2,2718 2,3706
11
2,763 3,384 4,189
12
2,1274 2,2017 2,2836
12
2,636 3,148 3,808
13
2,0837 2,1463 2,2155
13
2,536 2,965 3,516
14
2,0462 2,1000 2,1590
14
2,455 2,830 3,286
15
2,0153 2,0621 2,1131
15
2,386 2,701 3,100
16
1,9883 2,0292 2,0735
16
2,330 2,604 2,950
17
1,9654 2,0015 2,0406
17
2,280 2,521 2,823
18
1,9455 1,9776 2,0124
18
2,238 2,451 2,717
19
1,9280 1,9568 1,9877
19
2,201 2,391 2,627
20
1,9117 1,9375 1,9654
20
2,169 2,339 2,549
21
1,8975 1,9210 1,9461
21
2,139 2,293 2,481
22
1,8854 1,9066 1,9294
22
2,113 2,252 2,422
23
1,8738 1,8932 1,9140
23
2,090 2,217 2,371
24
1,8631 1,8808 1,8998
24
2,069 2,185 2,325
25
1,8538 1,8701 1,8876
25
2,049 2,156 2,284
Глава 2. Практическая часть
1
510
11
494
21
523
2
497
12
499
22
527
3
504
13
502
23
523
4
510
14
509
24
528
5
509
15
525
25
529
6
503
16
512
26
538
7
500
17
510
27
539
8
500
18
506
28
541
9
500
19
515
29
543
10
495
20
522
30
541
