Анализ временных рядов и прогнозирование. Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики

• Название: Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики
• Анкор: Анализ временных рядов и прогнозирование.doc
• Дата: 18.03.2017
• Размер: 2.56 Mb.
• Имя файла: Анализ временных рядов и прогнозирование.doc
• Тип: Учебно-методический комплекс; #3911
• страница: 16 из 23

Таким образом, с вероятностью 36,8% можно утверждать, что объем строительно-монтажных работ в октябре возрастет по сравнению с сентябрем.

3.7. Оценка точности и надежности прогнозов

Важным этапом прогнозирования социально-экономических явлений является оценка точности и надежности прогнозов.

Эмпирической мерой точности прогноза, служит величина его ошибки, которая определяется как разность между прогнозными () и фактическими (у_t) значениями исследуемого показателя. Данный подход возможен только в двух случаях:

а) период упреждения известен, уже закончился, и исследователь располагает необходимыми фактическими значениями прогнозируемого показателя;

б) строится ретроспективный прогноз, то есть рассчитываются прогнозные значения показателя для периода времени, за который уже имеются фактические значения. Это делается с целью проверки разработанной методики прогнозирования.

В данном случае вся имеющаяся информация делится на две части в соотношении 2/3 к 1/3. Одна часть информации (первые 2/3 от исходного временного ряда) служит для оценивания параметров модели прогноза. Вторая часть информации (последняя 1/3 части исходного ряда) служит для реализации оценок прогноза.

Полученные таким образом ретроспективно ошибки прогноза в некоторой степени характеризуют точность предлагаемой и реализуемой методики прогнозирования. Однако величина ошибки ретроспективного прогноза не может в полной мере и окончательно характеризовать используемый метод прогнозирования, так как она рассчитана только для 2/3 имеющихся данных, а не по всему временному ряду.

В случае если, ретроспективное прогнозирование осуществляется по связным и многомерным динамическим рядам, то точность прогноза, соответственно, будет зависеть от точности определения значений факторных признаков, включенных в многофакторную динамическую модель, на всем периоде упреждения. При этом, возможны следующие подходы к прогнозированию по связным временным рядам: можно использовать как фактические, так и прогнозные значения признаков.

Все показатели оценки точности статистических прогнозов условно можно разделить на три группы:

• 
  аналитические;
  
• 
  сравнительные;
  
• 
  качественные.
  

Аналитические показатели точности прогноза позволяют количественно определить величину ошибки прогноза. К ним относятся:

Абсолютная ошибка прогноза (^*) определяется как разность между эмпирическими и прогнозными значениями признака и вычисляется по формуле:

, (3.54)

где:

у_t – фактическое значение признака;

– прогнозное значение признака.
Относительная ошибка прогноза (d^*_отн) может быть определена как отношение абсолютной ошибки прогноза (^*):

• 
  к фактическому значению признака (у_t):
  

(3.55)

• 
  к прогнозному значению признака ()
  

(3.56)

Абсолютная и относительная ошибки прогноза являются оценкой проверки точности единичного прогноза, что снижает их значимость в оценке точности всей прогнозной модели, так как изучаемое социально-экономическое явление подвержено влиянию различных факторов внешнего и внутреннего свойства. Единично удовлетворительный прогноз может быть получен и на базе реализации слабо обусловленной и недостаточно адекватной прогнозной модели и наоборот – можно получить большую ошибку прогноза по достаточно хорошо аппроксимирующей модели.

Поэтому на практике иногда определяют не ошибку прогноза, а некоторый коэффициент качества прогноза (К_к), который показывает соотношение между числом совпавших (с) и общим числом совпавших (с) и несовпавших (н) прогнозов и определяется по формуле:

. (3.57)

Значение К_к = 1 означает, что имеет место полное совпадение значений прогнозных и фактических значений и модель на 100% описывает изучаемое явление. Данный показатель оценивает удовлетворительный вес совпавших прогнозных значений в целом по временному ряду и изменяется в пределах от 0 до 1.

Следовательно, оценку точности получаемых прогнозных моделей целесообразно проводить по совокупности сопоставлений прогнозных и фактических значений изучаемых признаков.

Средним показателем точности прогноза является средняя абсолютная ошибка прогноза (), которая определяется как средняя арифметическая простая из абсолютных ошибок прогноза по формуле вида:

, (3.58)

где:

n – длина временного ряда.

Средняя абсолютная ошибка прогноза показывает обобщенную характеристику степени отклонения фактических и прогнозных значений признака и имеет ту же размерность, что и размерность изучаемого признака.

Для оценки точности прогноза используется средняя квадратическая ошибка прогноза, определяемая по формуле:

. (3.59)

Размерность средней квадратической ошибки прогноза также соответствует размерности изучаемого признака. Между средней абсолютной и средней квадратической ошибками прогноза существует следующее примерное соотношение:

. (3.60)

Недостатками средней абсолютной и средней квадратической ошибок прогноза является их существенная зависимость от масштаба измерения уровней изучаемых социально-экономических явлений.

Поэтому на практике в качестве характеристики точности прогноза определяют среднюю ошибку аппроксимации, которая выражается в процентах относительно фактических значений признака, и определяется по формуле вида:

. (3.61)

Данный показатель является относительным показателем точности прогноза и не отражает размерность изучаемых признаков, выражается в процентах и на практике используется для сравнения точности прогнозов полученных как по различным моделям, так и по различным объектам. Интерпретация оценки точности прогноза на основе данного показателя представлена в следующей таблице:

,%	Интерпретация точности
< 10 10 – 20 20 – 50 > 50	Высокая Хорошая Удовлетворительная Не удовлетворительная

В качестве сравнительного показателя точности прогноза используется коэффициент корреляции между прогнозными и фактическими значениями признака, который определяется по формуле:

, (3.62)

где:

– средний уровень ряда динамики прогнозных оценок.

Используя данный коэффициент в оценке точности прогноза следует помнить, что коэффициент парной корреляции в силу своей сущности отражает линейное соотношение коррелируемых величин и характеризует лишь взаимосвязь между временным рядом фактических значений и рядом прогнозных значений признаков. И даже если коэффициент корреляции R = 1, то это еще не предполагает полного совпадения фактических и прогнозных оценок, а свидетельствует лишь о наличии линейной зависимости между временными рядами прогнозных и фактических значений признака.

Одним из показателей оценки точности статистических прогнозов является коэффициент несоответствия (КН), который был предложен Г. Тейлом и может рассчитываться в различных модификациях:

1. 
   Коэффициент несоответствия (КН₁), определяемый как отношение средней квадратической ошибки к квадрату фактических значений признака:
   

. (3.63)

КН = 0, если , то есть полное совпадение фактических и прогнозных значений признака.

КН = 1, если при прогнозировании получают среднюю квадратическую ошибку адекватную по величине ошибке, полученной одним из простейших методов экстраполяции неизменности абсолютных цепных приростов.

КН > 1, когда прогноз дает худшие результаты, чем предположение о неизменности исследуемого явления. Верхней границы коэффициент несоответствия не имеет.

2. Коэффициент несоответствия (КН₂), определяется как отношение средней квадратической ошибки прогноза к сумме квадратов отклонений фактических значений признака от среднего уровня исходного временного ряда за весь рассматриваемый период:

, (3.64)

где:

– средний уровень исходного ряда динамики.

3. Коэффициент несоответствия (КН₃), определяемый как отношение средней квадратической ошибки прогноза к сумме квадратов отклонений фактических значений признака от теоретических, выравненных по уравнению тренда:

, (3.65)

где:

– теоретические уровни временного ряда, полученные по модели тренда.

Контрольные вопросы к разделу III
1. Охарактеризуйте статистическое прогнозирование как составную часть общей теории прогностики.

2. Сформулируйте задачи статистического прогнозирования.

3. Дайте понятие объекта прогнозирования.

4. Перечислите основные понятия и термины, употребляемые в экономической прогностике.

5. 
   Охарактеризуйте модели по сложности, масштабности и степени информационного обеспечения.
   
6. 
   Раскройте содержание основных показателей точности прогнозов.
   
7. 
   Раскройте сущность точечного и интервального прогнозов.
   

8. Как осуществляется предварительный анализ рядов динамики?

9. Раскройте содержание понятия объективизации прогнозов.

10. Перечислите простейшие методы прогнозирования динамики. Раскройте их сущность.

11. Охарактеризуйте метод прогнозирования на основе экстраполяции трендов.

12. Охарактеризуйте методы прогнозирования на основе кривых роста.

13. Охарактеризуйте метод простого экспоненциального сглаживания.

14. Охарактеризуйте метод гармонических весов.

15. Как достигается точность и надежность прогнозов на основе рядов динамики?

Глоссарий

Автокорреляция	–	наличие сильной корреляционной зависимости между последовательными значениями уровней временного ряда.
Анализ	–	метод научного исследования объекта или их совокупности путем рассмотрения их отдельных сторон и частей.
Верификация прогноза	–	оценка достоверности статистических прогнозов.
Дисконтирование информации	–	взвешивание информации по степени значимости для построения точных и надежных прогнозов.
Единица статистической совокупности	–	каждый отдельно взятый элемент данного множества, обладающих определенными признаками.
Инерционность	–	предполагает сохранение присущих социально-экономическим явлениям и процессам тенденций и закономерностей прошлого и настоящего в будущем.

Классификация статистических моделей:

• 
  В зависимости от уровня социально-экономического явления:
  
  • 
    Макроэкономические;
    
  • 
    Межотраслевые;
    
  • 
    Отраслевые;
    
  • 
    Территориальные;
    
  • 
    Социальные;
    
  • 
    Социометрические.
    

• 
  По характеру развития объектов во времени:
  

• 
  Дискретные;
  
• 
  Интервальные;
  
• 
  Циклические.
  

• 
  По характеру используемой информации:
  

• 
  Пространственные;
  
• 
  Временные;
  
• 
  Пространственно-временные.
  

• 
  По степени информационного обеспечения:
  

• 
  С полным информационным обеспечением;
  
• 
  С неполным информационным обеспечением.
  

• 
  По размерности:
  

• 
  Сублокальные с числом факторных признаков до 3;
  
• 
  Локальные – от 4 до 14;
  
• 
  Субглобальные – от 15 до 35;
  
• 
  Глобальные – свыше 100.
  

• 
  По сложности:
  

• 
  Сверхпростые;
  
• 
  Простые;
  
• 
  Сложные;
  
• 
  Сверхсложные.
  

Классификация прогнозов:

• 
  В зависимости от цели исследования:
  

• 
  Поисковые;
  
• 
  Нормативные.
  

• 
  В зависимости от области применения:
  

• 
  Естествоведческие;
  
• 
  Научно-технические;
  
• 
  Обществоведческие.
  

• 
  По сложности:
  

• 
  Сверхпростые;
  
• 
  Простые;
  
• 
  Сложные.
  

• 
  По масштабности объекта:
  

• 
  Глобальные;
  
• 
  Макроэкономические;
  
• 
  Структурные;
  
• 
  Региональные;
  
• 
  Прогнозы развития экономических комплексов;
  
• 
  Отраслевые;
  
• 
  Микроэкономические.
  

• 
  По времени упреждения:
  

• 
  Текущие;
  
• 
  Краткосрочные;
  
• 
  Среднесрочные;
  
• 
  Долгосрочные;
  
• 
  Дальнесрочные.
  

Количественные признаки	–	это признаки, имеющие числовое выражение, и они могут быть измерены по каждой единице совокупности.
Интервальный ряд динамики	–	ряд числовых значений определенного статистического показателя, характеризующего размеры изучаемого явления за определенные промежутки /периоды, интервалы/ времени.
Моделирование	–	воспроизведение основных характеристик исследуемого объекта на другом объекте, специально созданном для этих целей.
Модель	–	это отображение или аналог явления или процесса в основных существенных для него чертах.
Моментный ряд	–	ряд числовых значений определенного статистического показателя, характеризующего размеры изучаемого явления на определенные даты, моменты времени.
Объективизация прогноза	–	процедура выбора метода прогнозирования.
Предсказание	–	это предвидение таких событий, количественная характеристика которых невозможна или затруднена.
Период упреждения	–	это отрезок времени от момента, для которого имеются последние фактические данные об изучаемом объекте до момента, к которому относится прогноз.
Признак	–	общее свойство, характерная черта или иная особенность единиц совокупности, которые могут быть наблюдаемы или измерены.
Принцип инерционности	–	предполагает сохранение, присущих социально-экономическим явлениям, тенденций и закономерностей прошлого и настоящего в будущем.
Прогноз	–	это количественное вероятностное утверждение в будущем о состоянии объекта, с относительно высокой степенью достоверности, на основе анализа тенденций и закономерностей прошлого и настоящего.
Прогнозирование	–	это научно-обоснованное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятных путей развития явлений и процессов.
Ранг	–	порядковый номер значения признака, расположенного в порядке возрастания или убывания величин.
Ранжирование	–	общее свойство, характерная черта или иная особенность единиц совокупности, которые могут быть наблюдаемы или измерены.
Результативный признак	–	предполагает сохранение, присущих социально-экономическим явлениям, тенденций и закономерностей прошлого и настоящего в будущем.
Ряд динамики	–	это количественное вероятностное утверждение в будущем о состоянии объекта, с относительно высокой степенью достоверности, на основе анализа тенденций и закономерностей прошлого и настоящего.
Связные временные ряды	–	это научно-обоснованное, основанное на системе установленных причинно-следственных связей и закономерностей, выявление состояния и вероятных путей развития явлений и процессов.
Статистическая информация	–	порядковый номер значения признака, расположенного в порядке возрастания или убывания величин.
Статистическая закономерность	–	форма проявления причинной связи, выражающаяся в последовательности, регулярности, повторяемости событий с достаточно высокой степенью вероятности, если причины, порождающие события, не изменяются или изменяются незначительно. Статистические закономерности устанавливаются на основе анализа массовых данных.
Статистическая совокупность	–	множество единиц, обладающих массовостью, однородностью, определенной целостностью, взаимозависимостью состояний отдельных единиц и наличием вариации.
Тенденция	–	основное направление, закономерность развития явления.
Тенденция автокорреляции	–	тенденция изменения связи между отдельными уровнями временного ряда.
Тенденция дисперсии	–	это изменения отклонений эмпирических значений временного ряда от значений, полученных по уравнению тренда.
Тенденция среднего уровня	–	аналитически выражается в виде математической функции, вокруг которой варьируют фактические значения изучаемого явления.
Тренд	–	это некоторая математическая функция f (t), которая описывает тенденцию изменения явления.
Факторные признаки	–	это признаки, оказывающие влияние на изменение результативного признака.
Экономико-статистический анализ	–	это разработка экономических основ на широком применении традиционных статистических и математико-статистических методов с целью контроля адекватного отражения исследуемого явления.
Экстраполяция	–	нахождение уровней за пределами изучаемого временного ряда, то есть продление временного ряда на основе выявленной закономерности изменения уровней в изучаемый отрезок времени.

Этапы анализа:

• 
  Формулировка целей анализа;
  
• 
  Критическая оценка данных;
  
• 
  Сравнительная оценка и обеспечение сопоставимости данных;
  
• 
  Формирование системы обобщенных показателей;
  
• 
  Регистрация и обоснование существенных свойств, сходств и различий, связей и закономерностей изучаемых явлений и процессов;
  
• 
  Формулировка заключительных выводов и практических предложений о резервах развития изучаемого явления.
  

Список рекомендуемой литературы
Основная литература

1. 
   Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: учебник. – М.: ФиС, 2001.
   
2. 
   Вайну Я.Я. Корреляция рядов динамики. – М.: Статистика, 1977.
   
3. 
   Статистическое моделирование и прогнозирование: учебное пособие / под ред. Д. Гранберг. – М.: Финансы и статистика, 1990.
   
4. 
   Дуброва Т.А. Статистические методы прогнозирования. – М.: ЮНИТИ, 2003.
   
5. 
   Иващенко Т.А., Кильдишев Г.С., Шмойлова Р.А. Статистическое изучение основной тенденции и взаимосвязи в рядах динамики. – Томск, издательство Томского университета, 1985.
   
6. 
   Королев Ю.Г., Рабинович П.М., Шмойлова Р.А. Статистическое моделирование и прогнозирование. Учебное пособие. – М.: МЭСИ, 1985.
   
7. 
   Четыркин Е.М. Статистические методы прогнозирования. – М.: Статистика, 1977.
   

Дополнительная литература

1. 
   Андерсен Т. Статистический анализ временных рядов. – М.: Мир, 1976.
   
2. 
   Венсель В.В. Интегральная регрессия и корреляция: cтатистическое моделирование рядов динамики. – М.: Финансы и статистика, 1983.
   
3. 
   Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. – М.: Статистика, 1973.
   
4. 
   Ковалева Л.Н. Многофакторное прогнозирование на основе рядов динамики. – М.: Статистика, 1980.
   
5. 
   Лизер Р. Эконометрические методы краткосрочного прогнозирования. – М.: Статистика, 1979.
   
6. 
   Льюис Х.Д. Методы прогнозирования экономических показателей. – М.: Статистика, 1986.
   
7. 
   Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. – М.: Статистика, 1979.
   
8. 
   Манелля А.B., Юзбашев М.М. Статистический анализ тенденций колеблемости. – М., Финансы и статистика, 1983.
   
9. 
   Френкель А.А. Математические методы анализа и прогнозирования производительности труда. – М.: Экономика, 1972.
   
10. 
    Эконометрика / под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2001.
    

Заключение
В предложенном учебном пособии рассмотрена методология комплексной оценки и анализа реальных социально-экономических явлений и процессов, представленных одномерными и многомерными временными рядами, в разрезе выявления, характеристики и моделирования тенденции и методов ее прогнозирования с учетом особенностей и специфики применяемых методов и изучаемого объекта исследования.

Статистическая методология анализа временных рядов и прогнозирования находит широкое применение во многих областях знаний как на макро-, так и на микроуровнях экономического развития, оценке эффективности, финансового состояния и финансовой устойчивости, деловой активности сегментов различных рынков и организационно-правовых структур.

Наиболее эффективным и целесообразным является широкое использование прикладного программного обеспечения при решении задач исследования конкретных социально-экономических явлений и процессов, что существенно ускоряет проведение расчетов. В этой связи распространены следующие программные продукты, такие как стандартные пакеты прикладных программ STATISTIKA, ОЛИМП, SPSS, STATGRAPHICS и другие.

Руководство
по изучению дисциплины

(подготовлено д.э.н. профессором Садовниковой Н.А.)
1. Цели, задачи изучения дисциплины
и сферы профессионального применения
Современный этап социально-экономического развития страны выдвигает на первый план задачу оценки состояния и перспектив развития субъектов рыночных отношений на различных иерархических уровнях управления с целью выбора оптимальных управленческих, организационно-правовых и производственно-хозяйственных решений, направленных на повышение эффективности и деловой активности их функционирования и взаимодействия как в границах внутренней, так и внешней среды. В этой связи возрастает роль методологии статистического оценивания состояния, основных тенденций и перспектив развития субъектов рыночных отношений – организационно-правовых структур вне зависимости от отраслевой принадлежности, форм собственности и внутренней структурной градации, то есть возрастает роль анализа числовой информации, представленной в формах статистической, бухгалтерской и других видах отчетности и прогнозирования числовых параметров деятельности фирм, коммерческских банков, страховых компаний, различных сегментов финансового и других рынков с целью определения перспектив их развития и путей принятия наиболее эффективных решений и направлений дальнейшей деятельности.

Дисциплина «Анализ временных рядов и прогнозирование» включает в себя комплексную методологию статистического анализа, моделирования и прогнозирования динамической информации, представленной временными рядами социально-экономических явлений и процессов. В курсе нашло отражение обобщение отечественного и зарубежного опыта использования статистико-математических методов изучения и прогнозирования социально-экономических явлений и процессов.

Преподавание дисциплины «Анализ временных рядов и прогнозирование» строится исходя из требуемого уровня базовой подготовки экономистов по различным специальностям. Конечной целью изучения дисциплины является формирование у будущих специалистов глубоких теоретических знаний методологии и методики анализа временных рядов, статистического моделирования и прогнозирования, и практических навыков по экономико-статистическому анализу состояния и прогнозирования конкретных социально-экономических явлений и процессов на основе построения адекватных, и в достаточной степени аппроксимирующих реальные явления и процессы прогностических моделей, на основе которых возможна выработка конкретных предложений, рекомендаций и путей их прикладного использования на макро- и микро-уровнях.

Роль и место дисциплины в профессиональной подготовке экономистов-статистиков определяется ее значительностью в изучении студентами специальных дисциплин. Поэтому, для успешного овладения ею требуется предварительное изучение таких дисциплин как «Теория статистики», «Экономическая информатика и вычислительная техника» и других дисциплин.

В ходе изучения дисциплины ставятся задачи научить студентов:

1. 
   методологии анализа временных рядов и прогнозирования;
   
2. 
   осуществлять постановку задачи при разработке статистических моделей, отражающих в динамике структуру, взаимосвязь сложных социально-экономических явлений и процессов, и на их основе строить модели прогноза, оценивать их качество, точность и надежность;
   
3. 
   изучать самостоятельно научную и учебно-методическую литературу по анализу временных рядов и прогнозированию и уметь составлять критические обзоры опубликованных работ;
   
4. 
   использовать в своей деятельности современные статистико-математические методы и модели для анализа и прогнозирования конкретных социально-экономических явлений и процессов.
   

Полученные знания являются неотъемлемой составляющей образования современного высококвалифицированного экономиста-аналитика, статистика, маркетолога, менеджера.

Сфера профессионального применения полученных знаний обширна:

• 
  моделирование и прогнозирование технико-экономических показателей отрасли, фирмы, предприятия;
  
• 
  моделирование и прогнозирование рынка жилья;
  
• 
  моделирование мотивов поведения потребителей;
  
• 
  анализ и прогнозирование товарной структуры рынка;
  
• 
  анализ, моделирование и прогнозирование сегментов рынка;
  
• 
  анализ, моделирование и прогнозирование межфирменной структуры рынка;
  
• 
  анализ и прогнозирование рекламы в системе маркетинговых коммуникаций;
  
• 
  моделирование и прогнозирование в системе управления производством;
  
• 
  внутрифирменное прогнозирование;
  
• 
  прогнозирование потребности и управления персоналом;
  
• 
  анализ и прогнозирование внешней и внутренней предпринимательской среды;
  
• 
  анализ и прогнозирование систем имущественного, подотраслей личного и государственного социального страхования;
  
• 
  анализ, моделирование и прогнозирование показателей деятельности, финансовой устойчивости и деловой активности сегментов фондового рынка, рынка ценных бумаг, биржевых структур;
  
• 
  прогнозирование в социологии;
  
• 
  прогнозирование в экологии.
  

2. Необходимый объем знаний для изучения
данной дисциплины
Для успешного изучения данной дисциплины студент должен:
Знать:

5. 
   существующие статистико-математические методы и модели, применяемые при анализе, расчете и прогнозировании показателей, представленных временными рядами;
   
6. 
   основные принципы статистического моделирования и прогнозирования;
   
7. 
   границы возможностей, предпосылки и область применения статистико-математических методов при построении статистических моделей прогноза и обеспеченность их программными средствами;
   
8. 
   методику сбора и анализа статистической информации, необходимой для разработки экономико-статистических моделей;
   
9. 
   основные проблемы и направления совершенствования методологии статистического моделирования и прогнозирования в стране и за рубежом.
   

Уметь:

10. 
    осуществлять постановку задач при разработке статистических моделей структуры, взаимосвязи и динамики социально-экономических явлений и процессов и на их основе разработку ретроспективных и перспективных прогностических моделей, производить оценку их качества, точности и надежности;
    
11. 
    проводить комплексный экономико-статистический анализ и прогнозировать конкретные социально-экономические явления и процессы с использованием статистических пакетов прикладных программ.
    

Иметь представление:

12. 
    о направлениях развития статистико-математических методов и моделей прогнозирования социально-экономических явлений и процессов;
    
13. 
    о возможных областях применения статистико-матема-тических методов и моделей при исследовании деловой активности и эффективности функционирования субъектов рыночной экономики.
    

3. Перечень основных тем