статис.. Статистические методы прогнозирования в экономике_Дуброва, Архип. Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики
 Скачать 1.1 Mb.
|
|
План практических занятий по теме 8 Занятие 1 Тема: Применение многофакторных моделей прогнозирования. Решение задач. Студенты реализуют изученную схему в пакетах прикладных программ. Задания для самооценки ¾ Назовите основные концепции и предпосылки применения корреляционного и регрес- сионного анализа ¾ В чем заключаются особенности методов многошагового регрессионного анализа при обработке временных рядов? РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ 133 ¾ Какие характеристики используются при проведении экономической интерпретации результатов многофакторного моделирования? ¾ В чем суть комбинированных моделей гибридного и селективного типа? ¾ Назовите критерии обобщения прогнозирующих моделей. ¾ В чем заключаются преимущества использования и построения модели обобщающего прогноза? 6. Итоговый контроль знаний по курсу Итоговая оценка знаний складывается по результатам тестирований, проводимых как по отдельным темам, так и по результатам изучения всего курса. Принимается во внимание также своевременность и качество выполнения студентами текущих заданий, активность участия на практических занятиях. 7. Список литературы и ссылки на ресурсы ИНТЕРНЕТ ЛИТЕРАТУРА Основная литература 3. Дуброва Т.А. Статистические методы прогнозирования. — М.: ЮНИТИ-ДАНА, 2003. 4. Дуброва Т.А., Бакуменко Л.П. и др. Анализ временных рядов и прогнозирование в системе «Statistica».- М.:МЭСИ, 2002. 3. Дуброва Т.А. Статистические методы прогнозирования. — М.:МЭСИ, 2004. 4. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных ря- дов. - М.: Финансы и статистика, 2003. 5. Четыркин Е. Н. Статистические методы прогнозирования. — М.: Статистика, 1975. Дополнительная литература 26. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. — М.: ЮНИТИ, 1998. 27. Андерсон Т. Статистический анализ временных рядов. — М.: Мир, 1976. 28. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. — М.: Финансы и статистика, 2001. 29. Бокс Дж.,Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974. — Вып. 1,2. 30. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA ® в среде Windows. Основы теории и интенсивная практика на компьютере. — М.: Финансы и статистика, 1999. 31. Боровиков Г.И. Statistica. Анализ и обработка данных в системе WINDOWS. — М.: Финансы и статистика, 1998. 32. Дуброва Т.А., Павлов Д.Э., Ткачев О.В. Корреляционно-регрессионный анализ в сис- теме Statistica. Учебное пособие. МЭСИ, 1999. 33. Кендэл М. Временные ряды. — М.: Финансы и статистика, 1981. РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ 134 34. Кендалл М. Дж. Стьюарт А. Многомерный статистический анализ и временные ряды. — М.: Наука, 1976. 35. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. — М.: Статистика, 1973. 36. Кремер Н.Ш., Путко Б.А. Эконометрика / Под. ред. проф. Н.Ш. Кремера. — М.: ЮНИТИ-ДАНА, 2002. 37. Лугачев М.И. Ляпунцов Ю.П. Методы социального прогнозирования. — М.: Экономи- ческий факультет МГУ, ТЕИС, 1999. 38. Льюис К.Д. Методы прогнозирования экономических показателей. — М.: Финансы и cтатистика, 1986. 39. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. — М.: Дело, 2000. 40. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. — М.: Мир, 1982. 41. Половников В. А. Анализ и прогнозирование транспортной работы морского флота. — М.: Транспорт, 1983. 42. Практикум по эконометрике / И.И.Елисеева, С.В.Курышева, Н.М.Гордеенко и др.; Под ред. И.И.Елисеевой. — М.: Финансы и статистика, 2001. 43. Скучалина Л. Н., Крутова Т. А. Организация и ведение базы данных временных рядов. Система показателей, методы определения, оценки прогнозирования информационных процессов. — М.: ГКС РФ, 1995. 44. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред. А. Г. Гранберга). — М.: Финансы и статистика, 1990. 45. Уотшем Т.ДЖ., Паррамоу К. Количественные методы в финансах. / Пер. с англ., под. ред. М.Р. Ефимовой. — М.: Финансы, ЮНИТИ, 1999. 46. Френкель А. А. Прогнозирование производительности труда: методы и модели. — М.: Экономика, 1989. 47. Эконометрика / Под ред. И.И.Елисеевой. — М.: Финансы и статистика, 2001. 48. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева). М.: ЮНИТИ, 1999. 49. Greene W.H. Econometric Analysis, 4th ed., Prentice Hall, 1999. 50. Pindyck R. S., Rubinfeld D. L. Econometric models. Economic forecasts, 4th ed., McGraw- Hill, 1998. Экономико-статистические ресурсы Internet 1. www.gks.ru Госкомстат РФ. 2. www.cbr.ru Центральный Банк Российской Федерации. 3. www.minfin.ru Министерство Финансов РФ. 4. www.cea.gov.ru Центр экономической конъюнктуры при правительстве РФ. 5. www.cea.gov.ru Федеральная комиссия по ценным бумагам. 6. www.rbk.ru Росбизнесконсалтинг. 7. www.akm.ru Агентство AK&M. 8. www.cemi.rssi.ru Центральный экономико-математический институт РАН (ЦЭМИ). 9. www.akdi.ru Агентство AKДИ. 10. www.forecast.ru Центр макроэкономического анализа и прогнозирования при ИНП РАН. 11. www.rtsnet.ru Российская торговая система. 12. www.micex.ru Московская международная валютная биржа. РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ 135 8. Глоссарий Адаптивные модели прогнозирования — позволяют строить самокорректирующиеся (самонастраивающиеся) экономико-математические модели, которые способны оперативно реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и отражать различную информа- ционную ценность уровней ряда. Временной ряд — ряд наблюдений за значениями некоторого показателя (признака), упорядоченный в хронологической последовательности, т.е. в по- рядке возрастания временного параметра t. Отдельные наблюдения временного ряда называются уровнями этого ряда. Надежность прогноза — мера качества прогноза, характеризующая вероятность того, что прогноз оправдывается. Надежность прогноза связана обратной за- висимостью при всех прочих равных условиях с шириной довери- тельного интервала прогноза (см. Прогноз интервальный). Ошибка прогноза — величина, характеризующая расхождение между фактическим и прогнозным значением показателя. Абсолютная ошибка прогноза определяется по формуле: t t t y y − = ∆ € , где t y€ — прогнозное значение показателя; y t — фактическое значение. Эта характеристика имеет ту же размерность, что и прогнозируемый показатель и зависит от масштаба изменения уровней временного ряда. На практике широко используется относительная ошибка про- гноза, выраженная в процентах относительно фактического значе- ния показателя. Также используются средние ошибки по модулю (абсолютные и относительные). Очевидно, что все указанные харак- теристики могут быть вычислены после того, как период упрежде- ния уже окончился, и имеются фактические данные о прогнозируе- мом показателе или при рассмотрении показателя на ретроспектив- ном участке. Параметр адаптации модели адаптивной — характеризует быстроту ее реакции на эволюцию в динамике иссле- дуемого временного ряда. Процесс обучения адаптивной модели состоит в выборе наилучшего параметра адаптации на основе проб на ретроспективном статистическом материале. Период упреждения прогноза — отрезок времени от момента, для которого имеются последние ста- тистические данные об изучаемом объекте, до момента, к которому относится прогноз. Иногда его называют прогнозируемым перио- дом. Прогноз — научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. Процесс разработки прогнозов называется прогнозирова- нием. Прогноз можно подразделять в зависимости от целей и задач, объектов, времени упреждения. РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ 136 Прогноз интервальный — прогноз в виде интервала, определяющего совокупность значений прогнозируемой величины. Прогноз интервальный, как правило, оп- ределяется на основе расчета доверительных границ прогноза. Ши- рина доверительного интервала в значительной степени зависит от принятой доверительной вероятности. Чем выше эта вероятность (надежность прогноза), тем шире интервал, но меньше априорная точность прогноза. Прогноз интервальный определяется на основе точечного прогноза следующим образом: p t S t y ⋅ ± α , где t y — точечный прогноз; t α — значение t-статистики Стьюдента; S p — среднеквадратическая ошибка прогноза. Прогноз точечный — представление прогноза показателя в виде единственного значения. На основе точечного прогноза определяют прогноз интервальный (см. Прогноз интервальный). Стационарный временной ряд — временной ряд называется строго стационарным (strictly sta- tionary) или стационарным в узком смысле, если совместное рас- пределение mнаблюдений m t t t y y y ,..., 2 , 1 , такое же,как и для mна- блюдений τ τ τ + + + m t t t y y y ,..., 2 , 1 при любых m, t 1 , t 2 , …, t m , τ. Таким образом, свойства строго стационарного временного ряда не зависят от начала отсчета времени. Исследователя, как правило, интересует не всё распределение, а средние значения и ковариации. Поэтому на практике чаще исполь- зуется понятие слабой стационарности (weak stationary) или ста- ционарности в широком смысле. В этом случае стационарность временного ряда связывается с требо- ваниями того, чтобы он имел среднее, дисперсию и ковариацию, не зависящее от момента времени t: M(y t ) = M(y t+ τ ) = µ D(y t ) = M(y t — µ) 2 = M(y t+ τ — µ) 2 = γ(0) cov(y t , y t+τ ) = M[(y t — µ)(y t+ τ — µ)] = γ(τ) Тренд — изменение, определяющее общее направление развития, основную тенденцию временного ряда. Для определения тренда используются методы выравнивания ряда. Часто применяются методы скользящих средних или выравнивание по различным кривым роста. Тренд линейный — представляется зависимостью t a a y t ⋅ + = 1 0 ) , где t — время. Мето- дом наименьших квадратов определяются параметры a 0 и a 1 . Пара- метр a 1 определяет средний абсолютный прирост y t Тренд экспоненциальный — t t ab y = ) широко используется в экономике. Параметр b соответству- ет среднегодовому темпу роста временного ряда (при анализе дан- ных годовой динамики). Часто оценивание параметров b и а прово- дится методом наименьших квадратов после линеаризации: b t a y t ln ln ln + = |