- •1 Прогноз как форма научного предвидения
- •2 Сущность прогнозирования
- •1.3 Классификация прогноза, объекты прогноза
- •Тема 2. Информационная база прогнозирования
- •2.1 Основные типы информации и источники ее получения
- •2.2 Методы получения первичной и вторичной информации
- •2.3 Оценка качества собранной информационной базы прогнозирования
- •Тема 3. Методологические основы прогнозирования
- •3.1 Научные основы методологии прогнозирования
- •3.2 Классификация методов прогнозирования
- •3.3 Выбор метода прогнозирования
- •3.4 Необходимость и методы верификации прогноза
- •4.1 История возникновения методов прогнозирования
- •4.2 Наблюдение и эксперимент
- •4.3 Анализ и синтез
- •4.4 Предположение и гипотеза
- •4.5 Дедуктивные и индуктивные умозаключения
- •4.6 Аналогия
- •4.7 Классификация и систематизация
- •Тема 5. Методы экспертных оценок
- •5.1 Область применения экспертных методов
- •5.2 Подготовка и проведение экспертизы
- •5.3 Методы индивидуальных экспертных оценок
- •5.4 Методы коллективных экспертных оценок
- •5.5 Методы обработки информации, получаемой от экспертов
- •Тема 6. Логические методы прогнозирования
- •6.1 Метод исторической аналогии
- •6.3 Метод прогнозного сценария
- •7.1 Понятие экономических рядов динамики
- •7.2 Предварительный анализ исходных временных рядов
- •7.3 Модели временных рядов
- •7.4 Метод адаптивного прогнозирования
- •7.5 Оценка адекватности и точности моделей
- •7.6 Получение точечного и интервального прогнозов
- •Тема 8. Методы моделирования
- •8.1 Матричные модели
- •8.2 Оптимизационные модели
- •8.3 Модели принятия решений
- •8.4 Имитационное моделирование
- •Тема 9. Экономико-математические методы
- •9.1 Задачи экономического анализа, решаемые на основе регрессионных эконометрических моделей
- •9.2 Этапы построения многофакторной корреляционно-регрессионной модели
- •10.1 Наиболее распространенные комплексные системы прогнозирования
- •10.3 Структурное прогнозирование
- •1 Сущность внутрифирменного прогнозирования
- •11.3 Автоматизированные системы прогнозирования
- •Тема 12. Прогнозирование товарооборота оптовой фирмы
- •12.1Прогнозирование спроса
- •12.2 Методы и модели прогнозирования продаж товаров
- •Тема 13. Экономико-математические модели управления запасами оптовой фирмы
- •13.2 Однономенклатурные модели
- •13.3 Многономенклатурные модели.
- •13.4 Прогнозирование страхового запаса
- •14. 1 Методы и модели анализа инвестиционных проектов
- •14. 2 Имитационное моделирование денежных потоков проекта
- •14.3 Прогнозирование хозяйственного риска
T0 = d/[(1 – p) ε2]. |
(4.9) |
При любом числе наблюдений больше Т0 обеспечивается требуемая точность.
Тема 9. Экономико-математические методы
9.1Задачи экономического анализа, решаемые на основе регрессионных эконометрических моделей
9.2Этапы построения многофакторной корреляционно-регрессионной
модели
9.3Оценка качества эконометрических регрессионных моделей и прогнозирование на их основе
9.4Линейное и целочисленное программирование
9.1 Задачи экономического анализа, решаемые на основе регрессионных эконометрических моделей
Вопросы построения и использования эконометрических моделей рассмотрим более подробно на примере линейных регрессионных моделей как в случае парной регрессии (однофакторная модель), так и в случае множественной регрессии (многофакторная модель); в последнем случае будем рассматривать модели множественной регрессии на примере линейной двухфакторной модели.
Основу математического аппарата для рассматриваемых моделей составляют такие разделы математической статистики, как корреляционный и регрессионный анализ.
Методы корреляционно-регрессионного анализа позволяют решать три основные задачи:
-определение формы связи между результативным и факторными признаками,
-измерение тесноты связи между ними,
-анализ влияния отдельных факторных признаков.
Рассмотрим решение этих задач для указанных видов эконометрических моделей; при этом для наглядности будем иллюстрировать выводы на конкретном примере экономического анализа.
Для определенности в этих моделях будем обозначать результативный признак, как и ранее, буквой у, а факторные признаки обозначать буквой х.
В таблице представлены статистические данные. Требуется проанализировать зависимость величины у от величины x1 и x2.
Y |
X1 |
X2 |
|
433 |
628 |
1,5 |
|
616 |
1577 |
2,1 |
|
900 |
2659 |
2,7 |
|
1113 |
3701 |
3,2 |
|
1305 |
4796 |
3,4 |
|
1488 |
5926 |
3,6 |
|
1645 |
7281 |
3,7 |
|
1914 |
9350 |
4,0 |
|
2411 |
18807 |
3,7 |
|
Рассмотрим сначала однофакторную линейную модель зависимости у от Х1. Она |
|||
выражается линейной функцией вида |
|
|
|
|
у = а0 + а1х1 |
|
|
|
|
54 |
параметры которой а0 и а1 находятся в результате решения системы нормальных уравнений, которая формируется на основе метода наименьших квадратов. Система нормальных уравнений для рассматриваемого случая имеет вид:
na0 + (∑x1)a1 = ∑y (∑x1)a0 + (∑x12)a1 = ∑yx1
Используя данные таблицы получаем систему уравнений
9а0 +54725 a1 =11825 |
|
54725 a1+ 540789321 = 98049159, |
|
решением которой являются значения а0 = 549,68; a1 = 0,1257. Таким образом, |
|
модель имеет вид: |
|
y = 549,68 + 0,1257 х1 |
(1) |
Уравнение 1 называется уравнением регрессии, коэффициент a1 – коэффициентом регрессии. Направление связи между у и х1 определяет знак коэффициента регрессии a1. В нашем случае связь является прямой. Теснота этой связи определяется коэффициентом корреляции:
ryx1 = 1 − S2 yx1 S2 y
где Sy – средняя квадратическая ошибка выборки у и определяется по формуле:
|
|
|
Sy = |
∑(y − y)2 |
|
n |
||
|
ỷ - средняя арифмитическая значений у
Syx1 – средняя квадратическая ошибка уравнения для числа степеней свободы
n-2:
Syx1 = (yn−−y2)2
где ỷ - соответствующее значение у, вычисленное по модели.
Чем ближе значение корреляции к единице тем теснее корреляционная связь. В нашем примере S2y = 454070, S2yx1 = 63846, следовательно
ryx1 = 1 − 45407063846 = 0.927
Полученное значение свидетельствует, что связь между исследуемыми переменными очень тесная.
Величина r2yx1 называется коэффициентом детерминации и показывает долю изменения результативного показателя под действием факторго признака. В нашем случае r2yx1 = 0,859, это означает что фактором х1 можно объяснить почти 86% изменения у.
Коэффициенты регрессии нельзя использовать для непосредственной оценки влияния факторов на результативный признак из-за различия единиц измерения исследуемых показателей. Для этой цели вычисляют коэффициент эластичности.
Коэффициент эластичности рассчитывается по формуле:
55
Эyx1=a1yx1
Он показывает насколько процентов изменяется результативных показатель при изменении факторного признака х1 на один процент. В нашем примере коэффициент регрессии равен 0,1257, а средние арифметические х1 и у равны соответственно 6080,6 и 1313,9. Поэтому коэффициент эластичности будет равен 0,58. Это означает что при увеличении х1 на 1% у увеличится на 0,58%.
Рассмотрим теперь двухфакторную линейную модель зависимости у от х1 и х2. Многофакторный корреляционно-регрессионный анализ решает теже задачи. В нашем случае модель имеет вид:
у = а0 + а1х1 + а2х2.
Параметры модели а0, а1, а2 находятся путем решения системы нормальных уравнений :
na0 + (∑x1)a1 + (∑x2)a2 = ∑y
(∑x1)a0 + (∑x12)a1 + (∑x1x2)a2 = ∑yx1
(∑x2)a0 + (∑x1x2)a1 + (∑x22)a2 = ∑y
Используя данные таблицы получим систему нормальных уравнений в виде:
9a0 + 54725a1 + 27,9a2 = 11825
54725a0 +540789321a1 + 194341,8a2 = 98049159 27,9a0 + 194341,8a1 + 92,1a2 = 40391,7
Решая эту систему получим а0 = 18,63; а1 = 0,0985; а2 = 224,6 Так что модель имеет вид
у = 18,63 + 0,0985х1 + 224,6х2.
Для определения тесноты связи предварительно рассчитываются парные коэффициенты корреляции ryx1, ryx2, rx1x2. Например
yx1−yx1 ryx1= SySx1
где Sy и Sx1 – средние квадратические ошибки соответствующих выборок. Аналогичный вид имеют формулы для ryx2 и rx1x2.
После этого вычисляют коэффициент множественной корреляции
|
|
|
r2yx1 |
+r2yx2 |
−2r r r |
|
R yx1x2 |
= |
|
|
|
yx1 yx2 x1x2 |
|
|
|
1−r2x1x2 |
|
|||
|
|
|
|
|
56
который колеблется в пределах от 0 до 1. Чем биже к 1 тем в большей степени учтены факторы, влияющие на результативный признак.
В нашем примере коэффициент множественной корреляции равен 0,983 что выше значения коэффициента корреляции в случае однофакторной модели. Таким образом степень тесноты связи является достаточно высокой.
9.2 Этапы построения многофакторной корреляционно-регрессионной модели
Разработка модели и исследование экономических процессов должны выполняться по следующим этапам.
1.Априорное исследование экономической проблемы.
2.Формирование перечня факторов и их логический анализ.
3.Сбор исходных данных и их первичная обработка.
4.Определение функции регрессии.
5.Оценка функции регрессии.
6.Отбор главных факторов.
7.Проверка адекватности модели.
8.Экономическая интерпретация.
9.Прогнозирование неизвестных значений зависимой переменной. Рассмотрим подробнее содержание этапов.
1Априорное исследование экономической проблемы.
В соответствии с целью работы на основе знаний экономики конкретизируются
явления, процессы, зависимость между которыми подлежит оценке. При этом подразумевается прежде всего четкое определение экономических явлений, установление объектов и периода исследования.
2.Формирование перечня факторов и их логический анализ. Для определения наиболее разумного числа переменных в регрессионной модели прежде всего ориентируются на соображения профессионально-теоретического характера. Исходя из физического смысла явления, производят классификацию переменных на зависимую и объясняющую.
3.Сбор исходных данных и их первичная обработка. При построении модели
исходная информация может быть собрана в трех видах:
•динамические (временные) ряды;
•пространственная информация — информация о работе нескольких объектов в одном разрезе времени;
•сменная — табличная форма. Информация о работе нескольких объектов за разные периоды.
Объем выборки зависит от числа факторов, включаемых в модель с учетом свободного члена. Для получения статистически значимой модели требуется на один фактор объем выборки, равный 5-8 наблюдений. Например, если в модель включаются три фактора, то минимальный объем выборки
nmin = 5*(m+n) = 5*(3+ 1) = 20,
где т — число факторов, включаемых в модель; n — число свободных членов в уравнении.
4. Определение функции регрессии.
На данном этапе исследования делается вывод о форме связи (линейная или нелинейная, простая или множественная и т. д.).
5. Оценка функции регрессии.
57
Здесь определяются числовые значения параметров регрессии и вычисление ряда показателей, характеризующих точность регрессионного анализа.
6. Отбор главных факторов.
Выбор факторов — основа для построения многофакторной корреляционнорегрессионной модели.
На этапе «Формирование перечня факторов и их логический анализ» собираются все возможные факторы, обычно более 20—30 факторов. Но это неудобно для анализа, и модель, включающая 20—30 факторов, будет неустойчива.
Мало факторов — тоже плохо. Это может привести к ошибкам при принятии решений в ходе анализа модели. Поэтому необходимо выбирать более рациональный перечень факторов.
Процедура отбора главных факторов обязательно включает следующие этапы: 1 Анализ факторов на мультиколлинеарность и ее исключение.
Мультиколлинеарность — попарная корреляционная зависимость между факторами. Мультиколлинеарная зависимость присутствует, если коэффициент парной корреляции >=0,70 - 0,80.
Для этого проводится анализ значений коэффициентов парной корреляции rij между факторами xi и xj
2 Анализ тесноты взаимосвязи факторов (х) с зависимой переменной (у).
Для анализа тесноты взаимосвязи х и у используются значения коэффициента парной корреляции между фактором и функцией rxiy. Факторы, для которых rxiy = 0, т.е. не связанные с у, подлежат исключению в первую очередь. Факторы, имеющие наименьшее значения rxiy., могут быть потенциально исключены из модели. Вопрос об их окончательном исключении решается в ходе анализа других статистических характеристик.
7 проверка адекватности модели
Данный этап анализа включает
- оценку значимости коэффициента детерминации. Данная оценка необходима для решения вопроса: оказывают ли выбранные факторы влияние на зависимую переменную?
Для оценки значимости коэффициента множественной детерминации используется следующая статистика:
F = Д(n − m −1) m(1 − Д)
которая имеет F-распределение с f1 = m и f2 = n — т — 1 степенями свободы. Здесь Д = R2, а т - количество учитываемых объясняющих переменных (факторов).
Значение статистики F, вычисленное по эмпирическим данным, сравнивается с табличным значением Ff1f2λ Если F > Ff1f2λ, то вычисленный коэффициент детерминации значимо отличается от 0 и, следовательно, включенные в регрессию переменные достаточно объясняют зависимую переменную, что позволяет говорить о значимости самой регрессии (модели);
- проверку качества подбора теоретического уравнения. Она проводится с использованием средней ошибки аппроксимации. Средняя ошибка аппроксимации регрессии определяется по формуле:
58