Бережная_Матметоды моделирования эк cистем
.pdfКачество модели определяется ее адекватностью исследуемому процессу и точностью. Адекватность характеризуется наличием и учетом определенных статистических свойств, а точность — степе нью близости к фактическим данным. Модель прогнозирования будет считаться лучшей со статистической точки зрения, если она является адекватной и более точно описывает исходный динамиче ский ряд.
Модель прогнозирования считается адекватной, если она учи тывает существенную закономерность исследуемого процесса. В ином случае ее нельзя применять для анализа и прогнозирования.
Закономерность исследуемого процесса находит отражение в наличии определенных статистических свойств остаточной компо ненты, а именно: независимости уровней, их случайности, соответ ствия нормальному закону распределения и равенства нулю сред ней ошибки.
Независимость остаточной компоненты означает отсутствие ав токорреляции между остатками (у^ — у^^).
Перечислим последствия, вызываемые автокорреляцией ос татков^:
1)недооценка дисперсии остатков функции регрессии;
2)наличие ошибки при оценке выборочной дисперсии параме тров регрессии.
Ошибки в вычислении дисперсий — препятствие к корректно му применению метода наименьших квадратов при построении мо дели исходного динамического ряда.
Очевидно, важно иметь критерий, позволяющий устанавливать наличие автокорреляции. Таким критерием является критерий Дар вина—Уотсона, в соответствии с которым вычисляется статистика d:
d^i^ |
, |
(6.60) |
п |
2 |
|
I^iyi-yji) |
|
'=1
где yf, з'/-! - уровни фактического динамического ряда;
Л/» Ут1-1 - теоретические (прогнозные) уровни динамического ряда;
п— объем выборки.
Возможные значения статистики лежат в интервале О < d < 4. Согласно методу Дарбина и Уотсона существует верхний dg и ниж-
' См.: Ферстер Э., Ренц Б. Методы корреляционного и регрессионного анализа. — М.: Финансы и статистика, 1983.
180
НИИ cf„ пределы значений статистики d. Эти критические значения зависят от уровня значимости а, объема выборки п и числа объяс няющих переменных т (для трендовых моделей /w = 1). В прило жении 4 приведены значения Jg и d^ для 5 %-го уровня значимос ти при п от 15 до 100 и числе объясняющих переменных от 1 до 5.
Вычисленное по (6.60) значение d сравнивается сrfgи rf„, най денными по приложению 4. При этом руководствуются следующи ми правилами:
1)rfg<fif< 4 — rfg |
принимается |
гипотеза: автокорреляция |
2) О < d < d^ |
отсутствует; |
гипотеза о существовании |
принимается |
||
3) d^< d < d^ |
положительной автокорреляции остатков; |
|
при выбранном уровне значимости нельзя |
||
и 4 — d^< d < 4-rf„ |
прийти к определенному выводу; |
|
4) 4 — d^^< d < 4 |
принимается |
гипотеза о существовании |
|
отрицательной автокорреляции остатков. |
Критерий Дарбина-Уотсона обладает двумя недостатками. Пер вый из них — наличие области неопределенности, в которой с по мощью данного критерия нельзя прийти ни к какому решению. Второй недостаток заключается в том, что при объеме выборки меньше 15 для d не существует критических значений Й?„ и d^. В этом случае для оценки независимости уровней ряда можно ис пользовать коэффициент автокорреляции Гд. Данный показатель приближенно можно вычислить по формуле
/•,=i-f |
(6-61) |
где d — статистика Дарбина-Уотсона.
Расчетное значение г^ сравнивают с табличным r^j (приложе ние 3). Критическое значение коэффициента автокорреляции r^j имеет одну степень свободы,т. е. / = п. Если г^ < г^, то уровни динамического ряда независимы.
Для проверки случайности уровней ряда можно использовать критерий поворотных точек, который называется также критери ем «пиков» и «впадин». В соответствии с этим критерием каждый уровень ряда сравнивается с двумя соединенными с ним. Если он больше или меньше их, то эта точка считается поворотной. Далее подсчитывается сумма поворотных точек К.
В случайном ряду чисел должно выполняться строгое нера венство:
181
к> |
(2/1-4) |
\(\вп-29\ |
(6.62) |
|
90 |
||
|
|
Соответствие рада остатков нормальному закону распределения важно с точки зрения правомерности построения интервалов про гноза. Основными свойствами рада остатков являются их симмет ричность относительно тренда и преобладание малых по абсолютной величине ошибок над большими. В этой связи определяется бли
зость к соответствующим параметрам нормального закона распреде ления коэффициентов асимметрии ~ А^ (мера «скошенности») и эксцесса — Э}^ (мера «скученности») наблюдений около модели, т. е.
1 " 1
л=- «1=1
-l3
1 "
\-Ъ{У1-Ут1)
ft /=1
1 ^ |
^ |
-Е(:и/->'т/)^ |
|
э^=- 1 п |
- - 3 . |
|
|
Им |
|
(6.63)
(6.64)
Если эти коэффициенты близки к нулю или равны нулю, то рад остатков распределен в соответствии с нормальным законом. Для оценки степени их близости к нулю вычисляют средние квадратические отклонения:
ч |
1 6(«-2) . |
а |
i(n + l)(n + 3y |
(6.65)
124/|(/|-2)(л-3)
^^(n+lf(n+3)(n+5)'
Если выполняются соотношения:
Ш ^ h5S„
182
то считается, что распределение ряда остатков не противоречит нормальному закону В случае когда
\Ас\ > 25"^ или |5;tl > 25'з,
то распределение ряда не соответствует нормальному закону рас пределения, и построение доверительных интервалов прогноза не правомочно. В случае попадания А^и Э/^в зону неопределенности (между полутора и двумя среднеквадратическими отклонениями) может быть использован 7?5-критерий:
RS=iE^^~E^J/S, |
(6.66) |
где ^тах"" максимальный уровень ряда остатков (у/ — у^/), / = 1,л; ^пйп "~ минимальный уровень ряда остатков (у/ — yj^, / = 1, л; S — среднее квадратическое отклонение остатков.
Если значение этого критерия попадает между табулированны ми границами с заданным уровнем значимости (приложение 5), то гипотеза о нормальном распределении ряда остатков прини мается.
Равенство нулю средней ошибки (математическое ожидание, случайной последовательности) проверяют с помощью /-критерия Стьюдента:
h= |
1 " |
^ . |
(6.67) |
|
|||
|
S |
|
Гипотеза равенства нулю средней ошибки отклоняется, если tp больше табличного уровня /-критерия с/| = (« — !) степенями сво боды и выбранным уровнем значимости а (приложение 1).
После проверки всех моделей прогнозирования из выбранно го массива на адекватность необходимо выполнить оценку их точ ности.
В статистическом анализе известно большое число характерис тик точности'.
Наиболее часто в практической работе встречаются следующие характеристики.
' Чуев Ю. В., Михайлов Ю. Б., Кузьмин В. И. Прогнозирование количе ственных характеристик процессов. - М.: Советское радио, 1975.
183
1. Оценка стандартной ошибки:
l[yi-f(Xi)]
^1/(х)=^ |
/=1 |
(6.68) |
|
п-р |
|
|
|
где и — число наблюдений;
р— число определяемых коэффициентов модели.
2.Средняя относительная ошибка оценки
••100%. (6.69)
3. Среднее линейное отклонение
(6.70)
4. Ширина доверительного интервала в точке прогноза.
Для получения данной статистической оценки определим дове рительный интервал в прогнозируемом периоде, т.е. возможные от клонения прогноза от основной тенденции протекания рассматри ваемого процесса. Для решения этой задачи построим интерваль ные оценки параметров рефессии UQH ai в формах:
«о = «о ± ^D • ^а,^ ^1 = flfi ± L |
(6.71) |
Здесь серединами интервалов являются точечные оценки GQ И й], рассчитанные с помощью метода наименьших квадратов. Вели чина tp — теоретическое значение критерия Стьюдента при уровне значимости, равном 5%, и числе степеней свободы, равном К] = л — m — 1 (приложение 1).
Стандартные ошибки коэффициентов регрессии а^ и а^ вы числяются по следующим формулам:
% = 1
(6.72)
<Уа,= т
S(^/-^)Т7Ч2
184
Несмещенная оценка дисперсии случайной составляющей
a 2 = - ^ i ( y / - ) ^ T / ) l |
(6.73) |
где X/, У1 — фактические значения динамических рядов х и у;
у^( — теоретическое значение, рассчитанное по уравнению регрессии; JC — среднее значение фактора х.
Верхняя Y^ и нижняя Y" границы доверительного интервала в точке прогноза будут равны:
(6.74)
где a(f; QQ — верхнее и нижнее значения параметра GQ модели прогноза; Oi^; Qi — верхнее и нижнее значения параметра Oi модели прогноза; х„ — значение фактора времени в точке прогноза.
Ширина доверительного интервала в точке прогноза |
|
А=У' - У", |
(6.75) |
Надо отметить, что ширина доверительного интервала зависит:
•от числа степеней свободы и тем самым от объема выборки,
те. чем больше объем выборки, тем меньше (при прочих равных условиях) значение критерия t и, следовательно, уже доверитель ный интервал;
•от величины стандартной ошибки оценки параметра регрес сии (a^j и а^^). Чем меньше а^^ и а^^, тем меньше при равных ус ловиях ширина доверительного интервала.
Лучшей по точности считается та модель, у которой все пере численные характеристики имеют меньшую величину. Однако эти показатели по-разному отражают степень точности модели и поэтому нередко дают противоречивые выводы. Для однозначно го выбора лучшей модели исследователь должен воспользоваться либо одним основным показателем, либо обобщенным крите рием.
Итогом работ по выбору вида математической модели прогно за является формирование ее обобщенных характеристик. В обоб щенную характеристику должны быть включены вид уравнения регрессии, значения его параметров, оценки точности и адекват ности модели и сами прогнозные оценки, точечные и интер вальные.
185
6.4. Прогнозирование на основе временных рядов с использованием пакета программ для персональных ЭВМ
Как видно из вышеизложенного, вычислительные процедуры рассмотренных методов прогнозирования громоздки и трудоемки. Задача исследователя значительно облегчается при использова нии пакета прикладных программ для ПЭВМ, в основу которых положены рассмотренные в подразд. 6.3 алгоритмы прогнозиро вания методами наименьших квадратов и экспоненциального сглаживания.
Исходная информация предоставляется в виде временного ря да значений прогнозируемого показателя у^, где ^ = 1, 2, 3, ..., N.
Прогноз осуществляется по специально подобранной зависимо сти на ^ шагов вперед, т. е. определяется y^+i, где ^ = 1, 2, 3..., М.
Программы используют следующие виды прогнозов:
•экстраполяцию с использованием 16 двухпараметрических за висимостей;
•экспоненциальное сглаживание;
•комбинированный прогноз, включающий прогнозы на осно ве экстраполяции и экспоненциального сглаживания.
Прогноз с использованием метода экстраполяции. Прогноз осу ществляется по одной из моделей, приведенных в табл. 6.2. Пара метры моделей определяются с использованием метода наимень ших квадратов. Для каждой модели рассчитывается корреляцион ное отношение. По максимальной величине корреляционного от ношения производится выбор модели при комбинированном прогнозе.
Прогноз с использованием экспоненциального сглаживания. Про гноз осуществляется по линейным и параболическим зависимос тям. Параметры моделей рассчитываются по формулам, предло женным Брауном. Выбор параметра сглаживания а производится в пределах от 0,1 до 0,9 с шагом 0,1. При комбинированном прогно зе выбор параметра производится по формуле а = 2/(N + 1), где Л^ — число точек временного ряда.
Комбинированный прогноз. Комбинированный прогноз включа ет следующие этапы:
•оценку принадлежности вариантов прогноза к одной сово купности с использованием критериев Фишера и Стьюдента;
•определение весовых коэффициентов ц^, ixj,
186
• расчет параметров комбинированного прогноза по формулам дисперсии:
среднего значения:
F V i = tAiF*i(/+i) + Ц2У *2(/+i); |
(6.76) |
дисперсии
A+i = A(/+i)^/+i)
[Аа-М)+^2*2(/+l)
где J*i(f+i), J*2(t+\) "" средние значения прогнозируемых параметров с ис пользованием экстраполяции и экспоненциального сглаживания;
/)*ц^+1), />*2(/+1) - соответственно дисперсии прогнозируемых параме тров.
В состав пакета программ входят:
•исполняемый файл (основное меню) MENU1.EXE;
•файл прогнозирования методом экстраполяции TREND.TBC;
•файл прогнозирования методом экспоненциального сглажи вания ALFA.TBC;
•файл комбинированного прогноза KOMBI.TBC.
РАЗДЕЛ II
Оптимизационные методы и модели в управлении экономическими системами
Глава 7 Линейное программирование
Оптимизационная задача - это экономико-математическая за дача, которая состоит в нахождении оптимального (максимального или минимального) значения целевой функции, причем значения переменных должны принадлежать некоторой области допустимых значений.
В самом общем виде задача математически записывается так:
|
и--АХ)-^тш\Хе W, |
(7.1) |
где X |
= (xj, Х2, ..., х„); |
|
W |
— область допустимых значений переменных Х], ^2, ..., х„; |
|
/[X) — целевая функция. |
|
Для того чтобы решить задачу оптимизации, достаточно найти ее оптимальное решение, т. е. указать XQ е И^такое, 4TOJ{XQ) > ДА) при любом XG IV, или для случая минимизации — Л-^о) -Л^ при любом X е W,
Оптимизационная задача является неразрешимой, если она не имеет оптимального решения. В частности, задача максимизации будет неразрешима, если целевая функция ДА) не ограничена свер ху на допустимом множестве W.
Методы решения оптимизационных задач зависят как от вида целевой функции ДА), так и от строения допустимого множества W, Если целевая функция в задаче является функцией п перемен ных, то методы решения называют методами математического про граммирования.
В математическом программировании принято вьщелять следу ющие основные задачи в зависимости от вида целевой функции f(X) и от области W:
188
• задачи линейного программирования, если ДА) и fFлинейны;
• задачи целочисленного программирования, если ставится ус ловие целочисленности переменных jc^, Х2, ..., х„;
• задачи нелинейного программирования, если форма У(А) но сит нелинейный характер.
7.1. Задачи линейного программирования
Задачей линейного программирования называется задача исследо вания операций, математическая модель которой имеет вид:
|
п |
|
|
|
f{X) |
= 2 CjXj -> max(min); |
(7.2) |
||
n |
|
|
|
|
I,aijxj=bi, |
iel, |
/ c M |
= {l,2,...w}; |
(7.3) |
M |
|
|
|
|
Y.aijxj<bi, |
ieM; |
|
(7.4) |
|
Xj>0,jE |
/ , / c 7 V = { l , |
2, ..., Ai}. |
(7.5) |
При этом система линейных уравнений (7.3) и неравенств (7.4), (7.5), определяющая допустимое множество решений задачи JV, на зывается системой ограничений задачи линейного программирования,
а линейная функция f{X) называется целевой функцией, или крите рием оптимальности.
В частном случае, если / = 0, то система (7.3) - (7.4) состоит только из линейных неравенств, а если / = Л/, то — из линейных уравнений.
Если математическая модель задачи линейного программирова ния имеет вид:
/ W = Z c ; - X ; - > m i n ; |
(7.6) |
М |
|
п |
|
^ayXj=biJ = lm; |
(7.7) |
М |
|
bi > 0; |
|
Ху>0,у = Т7?Г, |
(7.8) |
то говорят, что задача представлена в канонической форме.
189