Каузальные методы прогнозирования

Суть каузальных методов прогнозирования состоит в установлении математической связи между результирующей и факторными переменными.

Например: необходимо спрогнозировать объем продаж. Объем продаж какого – либо товара зависит от: цены товара, затрат на рекламу, уровня доходов потребителей, действий конкурентов и др. факторов.

Необходимым условием применения каузальных методов прогнозирования является наличие большого объема данных. Если связи между переменными удается описать математически корректно, то точность каузального прогноза будет достаточно высокой.

К каузальным методам прогнозирования относятся:

• многомерные регрессионные модели,

• имитационное моделирование.

Наиболее распространенными каузальными методами прогнозирования являются многомерные регрессионные модели.

Многомерные регрессионные модели

Многомерная (или многофакторная) регрессионная модель – это уравнение с несколькими независимыми переменными.

Для построения многомерной регрессионной модели могут быть использованы различные функции, наибольшее распространение получили линейная и степенная зависимости:

1. линейная:

2. степенная:

В линейной модели параметры (b₁, b₂, … b_n) интерпретируются как влияние каждой из независимых переменных на прогнозируемую величину, если все другие независимые переменные равны нулю.

В степенной модели параметры являются коэффициентами эластичности. Они показывают, на сколько процентов изменится в среднем результат (y) с изменением соответствующего фактора на 1% при неизменности действия других факторов.

При построении регрессионных моделей решающую роль играет качество данных. Сбор данных создает фундамент прогнозам, поэтому имеется ряд требований и правил, которые необходимо соблюдать при сборе данных. Во-первых, данные должны быть наблюдаемыми, т.е. получены в результате замера, а не расчета. Во-вторых, из массива данных необходимо исключить повторяющиеся и сильно отличающиеся данные. Чем больше неповторяющихся данных и чем однороднее совокупность, тем лучше будет уравнение. Под сильно отличающимися значениями понимается наблюдения исключительно не вписывающиеся в общий ряд. Например, данные о зарплате рабочих выражены четырех- и пятизначными числами (7 000, 10 000, 15 000), но обнаружено одно шестизначное число (250 000). Очевидно, что это ошибка. Наблюдение исключаем из массива. Третье правило (требование) – это достаточно большой объем данных. Мнения статистиков относительно того, сколько необходимо данных для построения хорошего уравнения расходятся.

По мнению одних, данных необходимо в 4-6 раз больше числа факторов. Другие утверждают, что не менее чем в 10 раз больше числа факторов, тогда закон больших чисел, действуя в полную силу, обеспечивает эффективное погашение случайных отклонений от закономерного характера связи.

В электронных таблицах Excel имеется возможность построения только лишь линейной многомерной регрессионной модели.