142872 (726788), страница 2
Текст из файла (страница 2)
Існують два основні типи класифікації: послідовна і паралельна. Послідовна класифікація припускає той, що виключає приватних об'ємів з більш загальних. Це процес, тотожний розподілу родового поняття на видові. При цьому повинні дотримуватися наступні основні правила:
1) підстава розподілу (ознака) повинна залишатися однією і тією ж при утворенні будь-якого видового поняття;
2) об'єми видових понять повинні виключати один одного (вимога відсутності перетину класів);
3) об'єми видових понять повинні вичерпувати об'єм родового поняття (вимога повного обхвату всіх об'єктів класифікації).
Паралельна класифікація припускає складну інформаційну підставу, що складається не з одного, а з цілого ряду ознак. Основний принцип такої класифікації - незалежність вибраних ознак, кожний з яких вагомий, всі разом одночасно властиві предмету і лише їх сукупність дає вичерпне уявлення про кожний клас.
Послідовна класифікація має наочну інтерпретацію у вигляді деякого генеалогічного дерева, охоплює всю дану область в цілому і визначає місце і взаємозв'язки кожного класу в загальній системі. Тому вона є більш прийнятною для цілей вивчення, дозволяє методично більш струнко представляти область знань, що класифікується.
Кожний рівень класифікації характеризується своєю класифікаційною ознакою. Елементи кожного рівня є найменуваннями підмножин елементів найближчого нижнього рівня, що належать їм, причому підмножин непересічних.
Елементи нижнього рівня є найменуванням вузьких груп конкретних методів прогнозування (іноді з одного елемента), які є модифікаціями або різновидами якого-небудь одного, самого загального з них.
В цілому класифікація є відкритою, оскільки представляє можливість збільшувати число елементів на рівнях і нарощувати число рівнів за рахунок подальшого дроблення і уточнення елементів останнього рівня.
На першому рівні всі методи діляться на три класи по ознаці "інформаційна підстава методу". Фактографічні методи базуються на фактично наявному інформаційному матеріалі про об'єкт прогнозування і його минулий розвиток. Експертні методи базуються на інформації, яку поставляють фахівці-експерти в процесі систематизованих процедур виявлення і узагальнення цієї думки. Комбіновані методи виділені в окремий клас, щоб можна було відносити до нього методи із змішаною інформаційною основою, в яких як первинна інформація використовуються фактографічна і експертна. Наприклад, при проведенні експертного опиту учасникам представляють цифрову інформацію про об'єкт або фактографічні прогнози, або, навпаки, при екстраполяції тенденції разом з фактичними даними використовують експертні оцінки.
Не слід відносити до комбінованих методів ті методи прогнозування, які до експертної початкової інформації застосовують математичні методи обробки або початкову фактографічну інформацію оцінюють експертним шляхом. В більшості випадків вони достатньо добре укладаються в перший або другий з перерахованих вище класів. [2]
Ці класи розділяються далі на підкласи за принципами обробки інформації. Статистичні методи об'єднують сукупність методів обробки кількісної інформації про об'єкт прогнозування за принципом виявлення математичних закономірностей розвитку і математичних взаємозв'язків характеристик, що містяться в ній, з метою отримання прогнозних моделей. Методи аналогій направлені на те, щоб виявляти схожість в закономірностях розвитку різних процесів і на цій підставі проводити прогнози. Випереджаючі методи прогнозування будуються на певних принципах спеціальної обробки науково-технічної інформації, що реалізовують в прогнозі її властивість випереджати розвиток науково-технічного прогресу.
Експертні методи розділяються на два підкласи. Прямі експертні оцінки будуються за принципом отримання і обробки незалежної узагальненої думки колективу експертів (або одного з них) за відсутності дій на думку кожного експерта думки іншого експерта і думки колективу. Експертні оцінки із зворотним зв'язком в тому або іншому вигляді утілюють принцип зворотного зв'язку шляхом дії на оцінку експертної групи (одного експерта) думкою, одержаною раніше від цієї групи або від одного з її експертів.
Третій рівень класифікації розділяє методи прогнозування на види по класифікаційній ознаці "апарат методів". Кожний вигляд об'єднує в своєму складі методи, що мають як основа однаковий апарат їх реалізації. Так, статистичні методи по видах діляться на методи екстраполяції і інтерполяції; методи, що використовують апарат регресійного і кореляційного аналізу; методи, що використовують аналіз чинника.
Клас методів аналогій підрозділяється на методи математичних і історичних аналогій. Перші як аналог для об'єкту прогнозування використовують об'єкти іншої фізичної природи, іншої області науки, галузі техніки, проте мають математичний опис процесу розвитку, співпадаючий з об'єктом прогнозування. Другі як аналог використовують процеси однакової фізичної природи, що випереджають в часі розвиток об'єкту прогнозування.
Випереджаючі методи прогнозування можна розділити на методи дослідження динаміки науково-технічної інформації; методи дослідження і оцінки рівня техніки. В першому випадку в основному використовується побудова кількісно-якісних динамічних рядів на базі різних видів НТІ і аналізу і прогнозування на їх основі відповідного об'єкту. Другий вид методів використовує спеціальний апарат аналізу кількісної і якісної інформації, що міститься в НТІ, для визначення характеристик рівня, якості існуючої і проектованої техніки.
Прямі експертні оцінки по ознаці апарату реалізації діляться на види експертного опиту і експертного аналізу. В першому випадку використовуються спеціальні процедури формування питань, організації отримання на них відповідей, обробки одержаних відповідей і формування остаточного результату. В другому - основним апаратом дослідження є цілеспрямований аналіз об'єкту прогнозування з боку експерта або колективу експертів, які самі ставлять і вирішують питання, що ведуть до поставленої мети.
Експертні оцінки із зворотним зв'язком в своєму апараті мають три види методів: експертний опит; генерацію ідей; ігрове моделювання. Перший вигляд характеризується процедурами регламентованого неконтактного опиту експертів переміжними зворотними зв'язками в розглянутому вище значенні. Другий - побудований на процедурах безпосереднього спілкування експертів в процесі обміну думками по поставленій проблемі. Він характеризується відсутністю питань і відповідей і направлений на взаємне стимулювання творчої діяльності експертів. Третій вигляд використовує апарат теорії ігор і її прикладних розділів. Як правило, реалізується на поєднанні динамічної взаємодії колективів експертів і обчислювальної машини, що імітує об'єкт прогнозування в можливих майбутніх ситуаціях.
Нарешті, останній, четвертий, рівень класифікації підрозділяє види методів третього рівня на окремі методи і групи методів по деяких локальних для кожного виду поєднанням класифікаційних ознак, з яких вказати один загальний для всього рівня в цілому неможливо.
2.2 Екстраполяційні методи прогнозування
Методи екстраполяції тенденцій є, мабуть, найпоширенішими і самими розробленими серед всієї сукупності методів прогнозування. Використовування екстраполяції в прогнозуванні має в своїй основі припущення про те, що даний процес зміни змінної є поєднанням двох складових-регулярної і випадкової.
Вважається, що регулярна складова f (а, х) є гладкою функцією від аргументу (в більшості випадків - часу), описуваною кінцевомірним вектором параметрів а, які зберігають свої значення на періоді попередження прогнозу. Ця складова називається також трендом, рівнем, детермінованою основою процесу, тенденцією. Під всіма цими термінами лежить інтуїтивне уявлення про якесь обчищене від перешкод єство аналізованого процесу. Інтуїтивне, тому що для більшості економічних, технічних, природних процесів не можна однозначно відділити тренд від випадкової складової. Все залежить від того, яку мету переслідує це розділення і з якою точністю його здійснювати.
Випадкова складова n (х) звичайно вважається некорельованим випадковим процесом з нульовим математичним очікуванням. Її оцінки необхідні для подальшого визначення точністних характеристик прогнозу.
Екстраполяційні методи прогнозування основний упор роблять на виділення якнайкращого в деякому розумінні опису тренда і на визначення прогнозних значень шляхом його екстраполяції. Методи екстраполяції багато в чому перетинаються з методами прогнозування по регресійних моделях. Іноді їх відмінності зводяться лише до відмінностей в термінології, позначеннях або написанні формул. Проте сама по собі прогнозна екстраполяція має ряд специфічних рис і прийомів, що дозволяють зараховувати її до деякого самостійного виду методів прогнозування.
Специфічними рисами прогнозної екстраполяції можна назвати методи попередньої обробки числового ряду з метою перетворення його до вигляду, зручного для прогнозування, а також аналіз логіки і фізики прогнозованого процесу, що робить істотний вплив як па вибір виду екстраполюючої функції, так і на визначення меж зміни її параметрів.
2.2.1 Попередня обробка початкової інформації в задачах прогнозної екстраполяції
Попередня обробка початкового числового ряду направлена на рішення наступних задач (всіх або частини з них): понизити вплив випадкової складової в початковому числовому ряду, тобто наблизити його до тренда; представити інформацію, що міститься в числовому ряду, у такому вигляді, щоб істотно понизити трудність математичного опису тренда. Основними методами рішення цих задач є процедури згладжування і вирівнювання статистичного ряду.
Процедура згладжування направлена на мінімізацію випадкових відхилень точок ряду від деякої гладкої кривої передбачуваного тренда процесу. Найбільш поширений спосіб усереднювання рівня по деякій сукупності навколишніх крапок, причому ця операція переміщається уздовж ряду крапок, у зв'язку з чим звичайно називається ковзаюча середня. В найпростішому варіанті згладжуюча функція лінійна і згладжуюча група складається з попередньої і подальшої крапок, в складніших - функція нелінійна і використовує групу довільного числа крапок.
Згладжування проводиться за допомогою многочленів, що наближають по методу якнайменших квадратів групи досвідчених крапок. Якнайкраще згладжування виходить для середніх точок групи, тому бажано вибирати непарну кількість крапок в згладжуваній групі.
Згладжування навіть в простому лінійному варіанті є у багатьох випадках вельми ефективним засобом виявлення тренда при накладенні на емпіричний числовий ряд випадкових перешкод і помилок вимірювання. Для рядів із значною амплітудою перешкоди є можливість проводити багатократне згладжування початкового числового ряду. Число послідовних циклів згладжування повинне вибиратися залежно від виду початкового ряду, від ступеня передбачуваною його зашумленості перешкодою, від мети, яку переслідує згладжування. Треба мати при цьому на увазі, що ефективність цієї процедури швидко зменшується (в більшості випадків), так що доцільно повторювати її від одного до трьох разів.
Лінійне згладжування є достатньо грубою процедурою, що виявляє загальний приблизний вид тренда. Для більш точного визначення форми згладженої кривої може застосовуватися операція нелінійного згладжування або зважені ковзаючі середні. В цьому випадку ординатам крапок, що входять до ковзаючої групи, приписується різна вага залежно від їх відстані від середини інтервалу згладжування.
Якщо згладжування направлено на первинну обробку числового ряду для виключення випадкових коливань і виявлення тренда, то вирівнювання служить цілям більш зручного представлення початкового ряду, залишаючи колишнім його значення.
Самими загальними прийомами вирівнювання є логарифмування і заміна змінних.
У випадку якщо емпірична формула передбачається тією, що містить три параметри або відомо, що функція трьох параметрична, іноді вдається шляхом деяких перетворень виключити один з параметрів, а що залишилися два привести до однієї з формул вирівнювання.
Можна розглядати вирівнювання не тільки як метод представлення початкових даних, але і як метод безпосереднього наближеного визначення параметрів функції, що апроксимує початковий числовий ряд. Часто саме так і використовується цей метод в деяких екстраполяційних прогнозах. Відзначимо, що можливість безпосереднього його використовування для визначення параметрів апроксимуючої функції визначається головним чином видом початкового числового ряду і ступенем наших знань, нашої упевненості щодо виду функції, що описує досліджуваний процес.
В тому випадку, якщо вид функції нам невідомий, вирівнювання слід розглядати як попередню процедуру, в процесі якої шляхом вживання різних формул і прийомів з'ясовується самий відповідний вид функції, що описує емпіричний ряд.
Одним з різновидів методу вирівнювання є дослідження емпіричного ряду з метою з'ясування деяких властивостей функції, що описує його. При цьому не обов'язково перетворення приводять до лінійних форм. Проте результати їх готують і полегшують процес вибору апроксимуючої функції в задачах прогностичної екстраполяції. В найпростішому випадку пропонується використовувати наступні три типи диференціальних функцій зростання:
1) Перша похідна, або абсолютна диференціальна функція зростання.
2) Відносний диференціальний коефіцієнт, або логарифмічна похідна
3) Еластичність функції
2.3 Статистичні методи
Перш ніж приступити до аналізу статистичних методів прогнозування, розглянемо деякі загальні поняття і визначення, що відносяться до кореляційних і регресійних моделей. Дві випадкові величини є кореляційно зв'язаними, якщо математичне очікування однієї з них міняється залежно від зміни іншої.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
