- •1. Методы решения злп
- •2. Двойственность в линейном программировании
- •3. Теоремы двойственности
- •4. Анализ решения злп
- •5. Задачи транспортного типа
- •6. Понятие прогноза и прогнозирования. Временные ряды (ряды динамики), их виды. Компоненты временного ряда
- •7. Простейшие методы прогнозирования
- •8. Прогнозирование на основе кривых роста
- •9. Использование возможностей табличного процессора excel при построении прогнозов
- •10. Принципиальная схема межотраслевого баланса
- •11. Применение балансовых моделей в задачах планирования производства
- •12. Применение балансовых моделей при ограничениях на внешние ресурсы
- •13. Понятие игры. Виды игр
- •14. Решение матричных игр в чистых стратегиях (принцип минимакса)
- •15. Понятие смешанной стратегии. Упрощение платежных матриц
- •16. Решение статистических игр
7. Простейшие методы прогнозирования
Простейшие методы прогнозирования предназначены:
-
Для кратковременного прогнозирования на 1-2 периода вперёд
-
Для выявления и устранения аномальных значений показателей временного ряда и устранения отсутствия тенденции (тренда). Прогнозирование временных рядов возможно только в том случае, если во временном ряду присутствует тренд.
Часто значения экономического показателя, на основе которого выполняется прогнозирование, не соответствуют возможностям рассматриваемой экономической системы, так как на них влияют случайные факторы, а также сезонная и циклическая компоненты. В этом случае необходимо устранить влияние этих компонент путём замены фактических уровней временного ряда расчётными (прогнозными). Это способствует более чёткому проявлению тенденции. Наиболее распространёнными процедурами сглаживания уровней временного ряда являются 2 метода:
-
Метод скользящей средней
-
Метод экспоненциального сглаживания
1)Метод простой скользящей средней. Сглаженные значения рассчитываются по следующей формуле:
yt=(yt-m+1+yt-m+2+…+yt)/m
Сглаживание по простой скользящей средней выполняется по следующему алгоритму:
-
Определяется интервал сглаживания m. Для первых m уровней ряда вычисляется и среднее арифметическое значение – это сглаженное значение уровня ряда.
-
Далее интервал сглаживания сдвигается на 1 уровень и вычисление среднего арифметического повторяется и так далее. Чем больше интервал сглаживания, тем сильнее усреднение данных и меньше заметны мелкие детали в виде волн и изгибов. Следовательно, более чётко виден тренд.
2)Метод экспоненциального сглаживания. Этот метод учитывает степень старения данных: чем старее информация, тем с меньшим весом входит она в формулу для расчёта сглаженного значения уровня ряда:
Qt=L*yt+(1-L)*Qt-1
На практике L используются значения от 0,1 до 0,3.
8. Прогнозирование на основе кривых роста
Прогнозирование на основе кривых роста относится к аналитическим методам сглаживания временных рядов. В этом случае в качестве метода прогнозирования используется метод экстраполяции. Экстраполяция – продление на будущее тенденции наблюдавшейся в прошлом. Экстраполяция заключается в том, что прогноз получают путём подстановки в функцию тренда значения момента времени, относящегося к будущему.
tn+1, tn+2,…
При построении на плоскости функция тренда задаёт кривую, которую называют кривой роста. На основе кривых роста выполняются долгосрочные прогнозы. Однако метод экстраполяции можно использовать, если выполняются следующие условия:
-
Временной ряд экономического показателя имеет преобладающую тенденцию (тренд)
-
Общие условия, определявшие развитие показателя в прошлом, останутся без существенных изменений в течение прогнозного периода.
Можно выделить следующие этапы прогнозирования на основе трендовых моделей:
-
Предварительный анализ данных временного ряда. Цель этого этапа – предварительный выбор кривой роста для конкретного временного ряда. Кривые роста обычно выбираются из 3 основных классов функций: I – кривые для описания процессов с монотонным характером развития и отсутствием пределов роста; II – кривые, имеющие предел роста в исследуемом периоде; III – кривые насыщения с точками перегиба. Существует ряд подходов, облегчающих выбор кривой роста. Наиболее простой подход – визуальный, когда подбирают кривую роста, форма которой соответствует реальному процессу. Поэтому прогнозирование временных рядов целесообразно начинать с построения графика. исследуемого показателя. Рассмотрим более подробно кривые I класса. В этот класс входят следующие функции:
-
Линейная функция (поленом I степени): yt=a1*t+a0.
-
Поленом II степени: yt=a2t2+a1t+a0.
-
Поленом III степени: yt=a3t3+a2t2+a1t+a0. Показывает изменение ускорения.
-
Экспоненциальная функция: yt=abt=aebt. Параметр b показывает постоянный темп роста.
Ко второму классу кривых можно отнести модифицированную экспоненту: yt=k+a*bt (a>0, 0<b<1), k – константа, которая показывает верхний предел.
К третьему классу можно отнести S-образные кривые насыщения с точкой перегиба:
-
Кривая Гомперца: yt=(kab)t
-
Логистическая кривая: yt=k/((1+a)*e-bt).
Кроме визуального анализа кривых кривую роста можно подобрать методом конечных разностей. В этом случае оценивают минимальные значения суммы квадратов отклонений фактических значений уровней ряда от расчётных значений ,то есть L=t-yt)2 ------min
-
Численная оценка параметров модели предполагает расчёт значений параметра функции тренда: a0, a1, a2, a3, a, b в зависимости от выбранного уравнения кривой. Параметры необходимо подобрать так, чтобы сумма квадратов разностей фактических и расчётных значений уровней была минимальной. Например, для линейного тренда параметры a1 и a0 находят из следующего условия:
yt-(a1*t+a0))2 ------min
-
Оценка адекватности и точности моделей. Для любого временного ряда обычно подбирают несколько трендовых моделей, затем оценивают их параметры. Далее необходимо сравнить модели и определить, какая из них наиболее точно соответствует фактическим данным. В качестве показателя точности модели прогнозирования используется коэффициент детерминации (R2):
R2=1-ᵠ2 (0<=R2<=1).
На практике для прогнозирования принимают те трендовые модели, у которых R2>=0,9
-
Выполнение прогноза путём подстановки в наиболее точную модель значений будущих моментов времени.