2. Цель эконометрического анализа.

Экономический анализ как наука представляет собой систему специальных знаний, связанную с:

исследованием экономических процессов в их взаимосвязи, складывающихся под воздействием объективных экономических законов и факторов субъективного порядка;

научным обоснованием бизнес-планов, объективной оценкой их выполнения;

выявлением положительные и отрицательных факторов и количественным измерением их действия;

раскрытием тенденций и пропорций хозяйственного развития, определением неиспользованных внутрихозяйственных резервов;

принятием оптимальных управленческих решений.

Наиболее важные моменты анализа - установление взаимосвязи, взаимозависимости и взаимообусловленности причин и факторов.

Содержание экономического анализа как научной дисциплины вытекает из его функций:

1) изучение характера действия экономических законов, установление закономерностей и тенденций экономических явлений и процессов в конкретных условиях предпринимательства;

2) научное обоснование текущих и перспективных планов;

3) контроль за выполнением планов и управленческих решений, экономным использованием ресурсов;

4) поиск резервов повышения эффективности производства;

5) оценка результатов работы предприятия по выполнению планов, достигнутого уровня развития экономики, использование имеющихся возможностей;

6) разработка мероприятий по использованию выявленных резервов.

3. Регрессионные модели.

Регрессионная модель   — это параметрическое семейство функций, задающее отображение

где   — пространтсво параметров,   — пространство свободных переменных,   — пространство зависимых переменных.

Так как регрессионный анализ предполагает поиск зависимости матожидания случайной величины от свободных переменных  , то в её состав входит аддитивная случайная величина  :

Предположение о характере распределения случайной величины   называются гипотезой порождения данных. Эта гипотеза играет центральную роль в выборе критерия оценки качества модели и, как следствие, в способе настройки параметров модели.

Модель является настроенной (обученной) когда зафиксированы её параметры, то есть модель задаёт отображение

для фиксированного значения  .

Различают математическую модель и регрессионную модель. Математическая модель предполагает участие аналитика в конструировании функции, которая описывает некоторую известную закономерность. Математическая модель является интерпретируемой — объясняемой в рамках исследуемой закономерности. При построении математической модели сначала создаётся параметрическое семейство функций, затем с помощью измеряемых данных выполняется идентификация модели — нахождение её параметров. Известная функциональная зависимость объясняющей переменной и переменной отклика — основное отличие математического моделирования от регрессионного анализа. Недостаток математического моделирования состоит в том, что измеряемые данные используются для верификации, но не для построения модели, вследствие чего можно получить неадекватную модель. Также затруднительно получить модель сложного явления, в котором взаимосвязано большое число различных факторов.

Регрессионная модель объединяет широкий класс универсальных функций, которые описывают некоторую закономерность. При этом для построения модели в основном используются измеряемые данные, а не знание свойств исследуемой закономерности. Такая модель часто неинтерпретируема, но более точна. Это объясняется либо большим числом моделей-претендентов, которые используются для построения оптимальной модели, либо большой сложностью модели. Нахождение параметров регрессионной модели называется обучением модели.

Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказатьсяпереобученными.

Примеры регрессионных моделей: линейные функции, алгебраические полиномы, ряды Чебышёва, нейронные сети без обратной связи, например, однослойный персептрон Розенблатта, радиальные базисные функции и прочее.

И регрессионная, и математическая модель, как правило, задают непрерывное отображение. Требование непрерывности обусловлено классом решаемых задач: чаще всего это описание физических, химических и других явлений, где требование непрерывности выставляется естественным образом. Иногда на отображение   накладываться ограничения монотонности, гладкости, измеримости, и некоторые другие. Теоретически, никто не запрещает работать с функциями произвольного вида, и допускать в моделях существование не только точек разрыва, но и задавать конечное, неупорядоченное множество значений свободной переменной, то есть, превращать задачи регрессии в задачи классификации.