183926 (629974), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

= : (2.1.8)

Между показателями темпа роста и темпа прироста существует взаимосвязь, выраженная формулами 9 и 10:

(%) = (%) -- 100 (2.1.9)

(при выражении темпа роста в процентах) .

= -- 1 (2.1.10)

(при выражении темпа роста в коэффициентах) .

Формулы (2.1.7) и (2.1.8) используют для нахождения темпов прироста по темпам роста.

Важным статистическим показателем динамики социально – экономических процессов является темп наращивания, который в условиях интенсификации экономики измеряет наращивание во времени экономического потенциала.

Вычисляются темпы наращивания Тн делением цепных абсолютных приростов на уровень, принятый за постоянную базу сравнения,

(2.1.11)

Для получения обобщающих показателей динамики социально- экономических явлений определяются средние величины: средний уровень, средний абсолютный прирост, средний темп роста и прироста и пр.

Средний уровень ряда динамики характеризует типическую величину абсолютных уровней.

В интервальных рядах динамики средний уровень у определяется делением суммы уровней на их число n

(2.1.12)

В моментном ряду динамики с равноотстоящими датами времени средний уровень определяется по формуле

(2.1.13)

В моментном ряду динамики с неравноотстоящими датами

, (2.1.14)

где – уровни ряда динамики, сохранившиеся без изменения в течение промежутка времени .

Средний абсолютный прирост представляет собой обобщенную характеристику индивидуальных абсолютных приростов ряда динамики. Для определения среднего абсолютного прироста сумма цепных абсолютных приростов делится на их число n

(2.1.15)

Средний абсолютный прирост может определяться по абсолютным уровням ряда динамики. Для этого определяется разность между конечным и базисным уровнями изучаемого периода, которая делится на m – 1 субпериодов

(2.1.16)

Основываясь на взаимосвязи между цепными и базисными абсолютными приростами, показатель среднего абсолютного прироста можно определить по формуле

(2.1.17)

Средний темп роста – обобщающая характеристика индивидуальных темпов роста ряда динамики. Для определения среднего темпа роста применяется формула

(2.1.18)

где Тр1, Тр2,..., Трn -- индивидуальные (цепные) темпы роста (в коэффициентах) , n -- число индивидуальных темпов роста.

Средний темп прироста можно определить на основе взаимосвязи между темпами роста и прироста. При наличии данных о средних темпах роста для получения средних темпов прироста используется зависимость, выраженная формулой (2.1.19):

(2.1.19)

(при выражении среднего темпа роста в коэффициентах)

2.2 Эконометрические методы прогнозирования

Термин эконометрические методы понимается как обобщающее название комплекса экономических и математических научных дисциплин, объединенных для изучения экономических процессов и систем.

Основным метод исследования систем является метод моделирования, т.е. способ теоретического анализа и практического действия, направленный на разработку и использование моделей. При этом под моделью будем понимать образ реального процесса, отражающий его существенные свойства.

Под задачами экономико-математического моделирования понимаются: анализ экономических объектов и процессов, экономическое прогнозирование, предвидение развития экономических процессов.

Временной ряд состоит из нескольких компонент: тренд, сезонная компонента, циклическая компонента (стационарный случайный процесс) и случайная компонента.

Под трендом понимается устойчивое систематическое изменение процесса в течение продолжительного времени. Оценка тренда осуществляется параметрическим и непараметрическим методами. Параметрический метод заключается в подборе гладкой функции, которая описывала бы тенденцию ряда: линейный тренд, полином и т.д. Непараметрический метод используется, когда нельзя подобрать гладкую функцию и заключается в механическом сглаживании временных рядов методом скользящей средней.

Во временных рядах экономических процессов могут иметь место более или менее регулярные колебания. Если они имеют строго периодический или близкий к нему характер и завершаются в течение одного года, то их называют сезонными колебаниями. Оценка сезонной компоненты осуществляется двумя способами: с помощью тригонометрических функций и методом сезонных индексов.

В тех случаях, когда период колебаний составляет несколько лет, то говорят, что во временном ряде присутствует циклическая компонента или стационарный случайный процесс. Моделирование циклической компоненты осуществляется следующими методами: модель авторегрессии, модель скользящего среднего, модель авторегрессии скользящего среднего и модель авторегрессии проинтегрированного скользящего среднего.

Прогнозирование с помощью компонентного анализа состоит из следующих шагов: оценка и удаление тренда, оценка и удаление сезонной компоненты, моделирование циклической компоненты, конструирование прогнозной модели и выполнение прогноза.

В конце, после прогнозирования мы проверяем полученную модель на адекватность, т.е. соответствие модели исследуемому объекту или процессу. Т.к. полного соответствия модели реальному процессу или объекту быть не может, адекватность – в какой-то мере – условное понятие. Модель временного ряда считается адекватной, если правильно отражает систематические компоненты временного ряда.

Не существует "автоматического" способа обнаружения тренда в временном ряде. Однако если тренд является монотонным (устойчиво возрастает или устойчиво убывает), то анализировать такой ряд обычно нетрудно. Если временные ряды содержат значительную ошибку, то первым шагом выделения тренда является сглаживание.

Сглаживание всегда включает некоторый способ локального усреднения данных, при котором несистематические компоненты взаимно погашают друг друга. Самый общий метод сглаживания - скользящее среднее, в котором каждый член ряда заменяется простым или взвешенным средним n соседних членов, где n - ширина "окна". Вместо среднего можно использовать медиану значений, попавших в окно. Основное преимущество медианного сглаживания, в сравнении со сглаживанием скользящим средним, состоит в том, что результаты становятся более устойчивыми к выбросам (имеющимся внутри окна). Таким образом, если в данных имеются выбросы (связанные, например, с ошибками измерений), то сглаживание медианой обычно приводит к более гладким или, по крайней мере, более "надежным" кривым, по сравнению со скользящим средним с тем же самым окном. Основной недостаток медианного сглаживания в том, что при отсутствии явных выбросов, он приводит к более "зубчатым" кривым (чем сглаживание скользящим средним) и не позволяет использовать веса.

Относительно реже, когда ошибка измерения очень большая, используется метод сглаживания методом наименьших квадратов, взвешенных относительно расстояния или метод отрицательного экспоненциально взвешенного сглаживания. Все эти методы отфильтровывают шум и преобразуют данные в относительно гладкую кривую (см. соответствующие разделы, где каждый из этих методов описан более подробно). Ряды с относительно небольшим количеством наблюдений и систематическим расположением точек могут быть сглажены с помощью бикубических сплайнов.

Многие монотонные временные ряды можно хорошо приблизить линейной функцией. Если же имеется явная монотонная нелинейная компонента, то данные вначале следует преобразовать, чтобы устранить нелинейность. Обычно для этого используют логарифмическое, экспоненциальное или (менее часто) полиномиальное преобразование данных.

Периодическая составляющая для данного лага k может быть удалена взятием разности соответствующего порядка. Это означает, что из каждого i-го элемента ряда вычитается (i-k)-й элемент. Таким образом можно определить скрытые периодические составляющие ряда. Напомним, что автокорреляции на последовательных лагах зависимы. Поэтому удаление некоторых автокорреляций изменит другие автокорреляции, которые, возможно, подавляли их, и сделает некоторые другие сезонные составляющие более заметными.

Формализованные методы прогнозирования базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет обеспечить деятельность по обработке информации и оценке результатов.

Метод прогнозной экстраполяции⁶ заключается в приложении определенной для базисного периода тенденции развития экономического процесса к прогнозируемому периоду, он основывается на сохранении в будущем сложившихся условий развития процесса. При использовании этого метода необходимо иметь информацию об устойчивости тенденций развития объекта за срок, в 2-3 раза превышающий срок прогнозирования. Длительная тенденция изменения экономических показателей называется трендом. Последовательность действий при экстраполировании:

• четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, рассмотрение факторов, стимулирующих или препятствующих развитию данного объекта, определение необходимой экстраполяции и ее допустимой дальности;

• выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности;

• сбор и систематизация данных, проверка их однородности и сопоставимости;

• выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа и непосредственной экстраполяции данных.

Операцию экстраполяции в общей форме можно представить в виде определения значения функции:

(2.2.1) Уi + L = F (Уi L),

где Уi + L – экстраполируемое значение уровня;

L – период упреждения;

Уi – уровень, принятый за базу экстраполяции.

Простейшая экстраполяция может быть проведена на основе средних характеристик ряда: среднего уровня, среднего абсолютного прироста и среднего темпа роста.

Наиболее простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в замене фактических уровней ряда расчетными средними, в которых погашаются колебания.

Экстраполяция тренда возможна, если найдена зависимость уровней ряда от фактора времени t, в этом случае зависимость имеет вид:

(2.2.3) .

Модель стационарного процесса, выражающее значение показателя в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии.

(2.2.3) , где

Характеристики

Список файлов курсовой работы