Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Шпоры Шульгина (1).doc
Скачиваний:
0
Добавлен:
01.07.2025
Размер:
498 Кб
Скачать
☆

25. Прогнозирование рядов экономической динамики

Для количественной оценки динамики явлений применяются статистические показатели: абсолютные приросты, темпы роста, темпы прироста, причем они могут разделяться на цепные, базисные и средние.

В основе расчета этих показателей динамики лежит сравнение уровней временного ряда. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу сравнения, то эти показатели называются базисными. Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные таким образом показатели называются цепными.

Абсолютный прирост равен разности двух сравниваемых уровней.

Темп роста Т характеризует отношение двух сравниваемых уровней ряда, выраженное в процентах

Темп прироста К характеризует абсолютный прирост в относительных величинах. Определенный в % темп прироста показывает, на сколько процентов изменился сравниваемый уровень по отношению к уровню, принятому за базу сравнения. В таблице приведены выражения для вычисления базисных и цепных приростов, темпов роста, темпов прироста. При этом использованы следующие обозначения: y1,y2, ... ,yt, ... ,yn- уровни временного ряда t=1, 2, ... , n; n- длина временного ряда; yб -уровень временного ряда, принятый за базу сравнения.

Для получения обобщающих показателей динамики развития определяются средние величины: средний абсолютный прирост, средний темп роста и прироста.

Описание динамики ряда с помощью среднего прироста соответствует его представлению в виде прямой, проведенной через две крайние точки. В этом случае, чтобы получить прогноз на один шаг вперед, достаточно к последнему наблюдению добавить значение среднего абсолютного прироста - значение среднего прироста, рассчитанное для временного ряда y1,y2, ... ,yn

В процессе прогнозирования требуется выделить несколько этапов: построение таблицы исходных данных, экстраполяция их на следующие периоды и оценка точности и достоверности полученного прогноза.

Методы экстраполяции исходной информации зависят от степени детализации прогноза, средств его построения и способов оценки достоверности. Исходя из этого, рассмотрение задач данного класса следует осуществлять от простого к сложному. При этом постепенно детализируется процесс прогнозирования и расширяется сфера используемых математических зависимостей, которые необходимо проанализировать для более точной аппроксимации поведения экономического показателя.

26. Многомерные методы прогнозирования

По степени комплексности статистические исследования можно разделить на двумерные и многомерные. Первые касаются рассмотрения парных взаимосвязей между переменными (парные корреляции и регрессии) и направлены в прогнозных исследованиях на решение таких задач, как установление количественной меры тесноты связи между двумя случайными величинами, установление близости этой связи к линейной, оценки достоверности и точности прогнозов, полученных экстраполяцией регрессионной зависимости. Многомерные методы статистического анализа направлены в основном на решение задачи системного анализа многомерных стохастических объектов прогнозирования. Целью такого анализа является, как правило, выяснение внутренних взаимосвязей между переменными комплекса, построение многомерных функций связи переменных, выделение минимального числа характеристик, описывающих объект с достаточной степенью точности. Одной из основных задач здесь является сокращение размерности описания объекта прогнозирования.

Таким образом, статистические методы используются в основном для подготовки данных, приведения их к виду, пригодному для производства прогноза. Как правило, после их применения используется один из методов экстраполяции или интерполяции для получения непосредственно прогнозного результата.

Связь между случайной и неслучайной величинами называется регрессионной, а метод анализа таких связей — регрессионным анализом. Применение регрессионного анализа предполагает обязательное выполнение предпосылок (б-г) корреляционного анализа. Только при выполнении приведенных предпосылок оценки коэффициентов корреляции и регрессии, получаемые с помощью способа наименьших квадратов, будут несмещенными и иметь минимальную дисперсию.

Регрессионный анализ тесно связан с корреляционным. При выполнении предпосылок корреляционного анализа выполняются предпосылки регрессионного анализа. В то же время регрессионный анализ предъявляет менее жесткие требования к исходной информации.» Так, например, проведение регрессионного анализа воз­можно даже в случае отличия распределения случайной величины от нормального, как это часто бывает для технико-экономических величин. В качестве зависимой переменной в регрессионном анализе используется случайная переменная, а в качестве независимой — неслучайная переменная.