Реферат: Теория экономического прогнозирования

Оценки αi  и bj находят по МНК.

Все приведенные выше модели позволяют получить точечные оценки. Для определения наиболее вероятных интервалов варьирования прогнозных показателей необходимо найти доверительные оценки. В общем виде расчет доверительного интервала может быть представлен следующим образом:

ŷt+a  ± ta Sŷ,                                                                                               (2.15)

где ŷt+a  - точечный прогноз;

Sŷ – средняя квадратическая ошибка прогноза;

ta – t-статистика Стьюдента;

α – период упреждения прогноза.

В общем виде для полиномов различных степеней:

Sŷt+2 = Sy √T`α (T` · T)-1 · Tα,                                                                  (2.16)

где (T` · T) – матрица системы нормальных уравнений;

Sy – среднее квадратическое отклонение фактических значений от расчётных.

В частности, для линейного тренда:

Sŷ = Sy √1 + 1 : n + (tα - t)2 : ∑(t')2,                                          (2.17)

Где tα – заданное на период упреждения значение переменной t,

t – среднее значение t, т.е. значение порядкового номера уровня, стоящего в середине ряда;

∑(t')2 – сумма квадратов отклонений значений независимой переменной от их средней.

Важно иметь в виду, что экстраполяция в рядах динамики носит приближенный и условный характер. Поэтому применение методов экст­раполяции не должно становиться самоцелью, а при разработке социально-экономических прогнозов должна привлекаться дополнительная информа­ция, на основе которой в полученные методом экстраполяции количест­венные оценки вносятся соответствующие коррективы.

Экономико-математическое моделирование

Методы экономико-математического моделирования применяются преимущественно в" среднесрочном, а также в долгосрочном прогнозиро­вании.

В данной группе методов можно выделить корреляционно-регрессионное моделирование, которое используется для объектов, имею­щих сложную многофакторную природу (объем инвестиций, затраты, при­быль, объемы продаж и т.п.). Для осуществления регрессионного модели­рования необходимо [30]:

- наличие ежегодных данных по исследуемым показателям;

- наличие одноразовых прогнозов, то есть таких, которые не коррек­тируются с поступлением новых данных.

Наиболее разработанной в теории прогнозирования является мето­дология так называемой парной корреляции, рассматривающей влияние факторного признака х на результативный у. Методы оценки параметров уравнения регрессии аналогичны приемам при экстраполяции (т.к. фактор времени ? можно рассматривать как частный случай параметра х). На прак­тике же гораздо чаще приходится исследовать зависимость результативно­го признака от нескольких факторных. В этом случае статистическая мо­дель является многофакторной. Например, линейная регрессия с т незави­симыми переменными имеет вид:

ŷi = α0 · x0 + α1 · x1 + α2 · x2 +...+ αm · xm.                                                       (2.18)

Оценки параметров находят по МНК.

Отбор факторов для построения многофакторных моделей произво­дится на основе качественного и количественного анализа социально-экономических явлений с использованием статистических и математиче­ских критериев.

Общепринятым является трехстадийный отбор факторов:

1. На первой стадии осуществляется априорный анализ, и на факто­ры, включаемые в состав модели, не накладываются ограничения.

2. Нг второй стадии производится оценка и отсев части факторов. Это достигается путем анализа парных коэффициентов корреляции и оценкой их значимости. Для этого составляется матрица парных коэффи­циентов корреляции (табл. 2.3).

Анализ таблицы ведется с использованием следующих критериев:

ryi > rij ; ryj > rij ; rij > 0,8 ,                                                                                       (2.19)

где rij — парные коэффициенты корреляции.

3. На заключительной стадии производят окончательный отбор фак­торов путем анализа значимости вектора оценок параметров различных вариантов уравнений множественной регрессии с использованием крите­рия Стьюдента:

tрасч  >  tk,a,                                                                                                            (2.20)                                                                

где k - число степеней свободы,

 а- уровень значимости.

В процессе анализа решается проблема мультиколлинеарности, ко­торая заключается в том, что между факторными признаками может суще­ствовать значительная линейная связь, что приводит к росту ошибок оце­нок параметров регрессии.

Таблица 2.3

Матрица парных коэффициентов корреляции множественной модели регрессии

	У	X1	Х2	…	xj	…	xm
у	1	ryl	rу2	…	ryj	…	rут
X1	r!у	1	R12	…	rlj	…	rml
Х2	r2у	R2l	1	…	R2j	…	r2т
…	…	…	…	…	…	…	…
X1	riy	ril	Ri2	…	1	…	rim
…	…	…	…	…	…	…	…
Хm	rту	rml	Rm2	…	rmj	…	1

Приемы построения регрессионных и авторегрессионных моделей достаточно хорошо описаны в экономико-статистической литературе [11, 14, 24, 26, 30, 38, 39] и не являются предметом описания настоящего учебного пособия. Наличие прогрессивных информационных технологий по­зволяет достаточно оперативно рассчитывать параметры этих моделей. Во внутрипроизводственном прогнозировании используются:

• модели внутренней среды фирмы, так называемые корпоративные модели;

• макроэкономические модели, к которым относят эконометрические модели, модели «затраты-выпуск» [1].

Корпоративные модели обычно представляют набор формул (урав­нений), которые отражают отношение ряда переменных к определенному объекту, например к объему продаж.

Большая часть математических моделей имеет форму компьютерных программ (например, АРМ СтОД (автоматизированное рабочее место для статистической обработки данных), ОЛИМП, МЕЗОЗАВР, СИГАМД и др.) [13], Такие программы позволяют придать моделям динамический харак­тер.

К недостаткам применения методов экономико-математического моделирования в рамках прогнозирования можно отнести:

• необходимость серьезных затрат на организацию прогнозирования;

• невозможность охватить в моделях все наиболее существенные тенденции развития;

• высокая вероятность внезапных изменений, разрушительных собы­тий, существенно снижающих полезный эффект модели.

Следует иметь в виду, что в условиях переходной экономики проис­ходят кардинальные изменения в организационно-производственных сис­темах и структурах (спроса, потребностей, цен и т.п.), а следовательно, достаточно проблематично сделать вывод о том, можно ли доверять ре­зультатам математического параметрического прогнозирования, так как эти методы целесообразно применять тогда, когда за время упреждения не изменяются ни функции, ни структура объекта прогнозирования. В этой ситуации параметрические методы могут применяться:

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21