- •Анализ и прогнозирование финансовых процессов
- •Глава 1. Математические методы и модели как средства исследования экономических процессов ………………………………………………………….7
- •Глава 8. Построение доверительных интервалов прогнозов ………………….210
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей ………………………………………………………….232
- •Предисловие
- •Глава 1. Математические методы и модели как средства исследования экономических процессов
- •1.1. Экономико-математические методы и модели исследования экономических процессов
- •1.2. Разновидности экономико-математических моделей и методов
- •1.3. Программные средства анализа экономических данных
- •1.4. Методика статистического анализа и прогнозирования данных
- •Контрольные вопросы
- •Глава 2. Исследование структуры временных рядов экономических показателей
- •2.1. Понятие временного ряда
- •В таблице 2.4 представлен ряд динамики средних величин - Среднедушевые номинальные денежные доходы населения России в месяц,
- •2.2. Структура временного ряда
- •2.3. Оценивание однородности и направленности изменений финансовых процессов, представленными временными рядами
- •2.4. Статистические показатели измерения динамики финансовых процессов
- •2.5. Показатели и критерии устойчивости и колеблемости развития финансовых процессов
- •Контрольные вопросы и задания
- •Глава 3. Прогнозирование финансовых процессов с использованием кривых роста
- •3.1. Основные этапы прогнозирования с использованием кривых роста
- •3.2. Характеристика кривых роста
- •3.3. Методы выбора кривых роста для выравнивания
- •3.4. Методы оценки параметров кривых роста
- •Контрольные вопросы и задания
- •Глава 4. Сезонные колебания в финансовых процессах
- •4.1. Исследование сезонных колебаний в финансовых процессах
- •4.2. Статистические критерии выявления сезонных колебаний
- •4.3 Показатели измерения сезонности
- •4.4. Моделирование тренд-сезонных временных рядов
- •Контрольные вопросы и задания
- •Глава 5. Адаптивные методы прогнозирования
- •5.1. Сущность адаптивных методов
- •5.2. Экспоненциальное сглаживание
- •5.3. Полиномиальные адаптивные модели
- •5.4. Адаптивные модели прогнозирования сезонных процессов
- •5.5. Метод эволюции
- •5.6. Модели авторегрессии и скользящего среднего
- •Контрольные вопросы и задания
- •Глава 6. Оценка точности и адекватности модели
- •6.1. Оценка адекватности модели
- •Проверка равенства математического ожидания уровней ряда остатков нулю.
- •6.2. Оценка точности модели
- •Контрольные вопросы и задания
- •Глава 7. Применение регрессионных моделей для прогнозирования
- •7.1.Типы регрессионных моделей
- •7.2. Определение зависимости между моделируемыми показателями и определяющими их факторами
- •7.3. Оценка тесноты линейной и нелинейной связи
- •7.4. Линейная модель парной регрессии. Оценка значимости параметров линейной регрессии
- •7.5. Нелинейная регрессия
- •Полиномы разных степеней -;
- •7.6. Модель множественной регрессии
- •7.7. Отбор факторов при построении модели множественной регрессии. Мультиколлинеарность
- •7.8. Регрессионные модели с фиктивными переменными
- •7.9. Прогнозирование в регрессионных моделях
- •Контрольные вопросы и задания
- •Глава 8. Построение доверительных интервалов прогнозов
- •8.1. Методы и критерии, используемых при построении доверительных интервалов
- •8.2. Доверительные интервалы при получении оценок по моделям регрессии
- •8.3.Оценка доверительных интервалов в моделях экономического прогнозирования
- •Доверительный интервал для тренда в общем виде определяется как
- •Контрольные вопросы и задания
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей
- •9.1. Алгоритм методики оценивания доверительных интервалов прогнозов
- •9.2. Практическая реализация методов прогнозирования
- •(По индексам)
- •Контрольные вопросы и задания
- •Литература
- •Шелобаев Сергей Иванович
Контрольные вопросы и задания
Когда модель считается адекватной экономическому процессу?
Какие свойства остаточной компоненты проверяются при оценке адекватности модели? Какие статистические критерии при этом используются?
Поясните суть ретроспективного прогнозирования.
Какие статистические характеристики используются для оценки точности модели?
По результатам выполнения задания 9 (глава 5) оценить адекватность и точность модели Брауна с параметром сглаживания α=0,2 и α=0,6.
Глава 7. Применение регрессионных моделей для прогнозирования
7.1.Типы регрессионных моделей
Как правило, изучаемые процессы имеют достаточно длительную предысторию, позволяющую вскрыть закономерности и тенденции в их развитии и взаимосвязях с другими явлениями, а сами процессы обладают определенной инерционностью. Наше представление о будущем развитии этих процессов может базироваться на анализе прошлого. Инерционность в социально-экономических процессах проявляется двояко: во-первых, как инерционность взаимосвязей прогнозируемого процесса с другими явлениями и процессами, во-вторых, как сохранение общей тенденции развития во времени. Инерционность второго типа можно рассматривать как частный случай более общего проявления инерции.
Прогнозирование, базирующееся на инерционности второго рода, сводится к подбору аналитических выражений трендов по данным за предшествующее время и экстраполяции полученных тенденций. Для моделирования инерции во взаимосвязях соответствующая взаимосвязь должна быть представлена в виде аналитического выражения, связывающего изменение прогнозируемого экономического показателя с влиянием ряда факторов-аргументов .
Рассматривая зависимости между показателями, различают прежде всего функциональную (полную) и корреляционную (неполную) зависимость. При функциональной зависимости каждому значению факторного признака строго соответствует одно или несколько значений результативного признака. Функциональная зависимость может связывать результативный признак с одним или несколькими факторными признаками. Например, величина тока в цепи зависит от напряжения и сопротивления, площадь прямоугольника от величины его сторон. Функциональная связь часто проявляется в физике, химии. В экономике примером функциональной зависимости может служить зависимость прямых затрат от объема выпуска изделий, зависимость заработной платы работника от количества отработанного времени.
В экономике чаще всего имеет место не функциональная, а корреляционная зависимость, при которой нет полного соответствия между изменением факторного и результативного признаков. Воздействие отдельных факторов проявляется лишь в среднем при массовом наблюдении фактических данных. Это связано с тем, что на результирующий признак, кроме выделенного фактора влияют еще и многочисленные неконтролируемые факторы. Одновременное воздействие на изучаемый признак большого количества разнообразных факторов приводит к тому, что одному и тому же значению факторного признака соответствует множество значений результативного признака, так как в каждом конкретном случае прочие факторные признаки могут изменять силу и направленность своего воздействия.
Наибольшее распространение среди методов изучения зависимостей получил метод регрессионного и корреляционного анализа. Задача оценки тесноты связи между изучаемыми показателями решается методами корреляционного анализа. Регрессионный анализ используется для оценки уравнения, которое в наибольшей степени соответствует совокупности наблюдений зависимых и независимых переменных и дающего наилучшую оценку истинного соотношения между переменными.
В регрессионных моделях зависимая переменная Y может быть представлена в виде функции:
, (7.1)
где - независимые переменные или факторы. В зависимости от количества включенных в модель факторов модели делятся на однофакторные (парные модели регрессии) и многофакторные. В зависимости от вида функциимодели делятся на линейные и нелинейные.
Обнаружить закономерности, скрытые среди случайностей, позволяют методы теории вероятностей и математической статистики. На основе изучения причинно-следственных связей между показателями экономического объекта строится регрессионная модель, отражающая собственные свойства объекта от внешних факторов. Использование построенной модели позволяет не только оценить будущее значение изучаемого показателя, но и проводить многовариантные расчеты типа «Что будет, если….?» и, таким образом, определять управляющие воздействия.