- •1. Классификация объектов прогнозирования.
- •2. Общая классификация методов прогнозирования.
- •3. Виды прогнозов.
- •4. Закон рф о планировании и прогнозировании национальной экономики.
- •5. Методы индивидуальных экспертных оценок.
- •6. Динамические модели экономики (см. 8, 9, 37, 39, 41).
- •7. Прогнозирование методом конечных разностей.
- •8. Классическая модель рыночной экономики.
- •9. Межотраслевой баланс производства, распределения и использования валовой продукции.
- •10. Прогнозирование (п) технического уровня (ту) производства.
- •11. Основные принципы прогнозирования (п).
- •12. Прогнозирование (п) потребности новой техники.
- •Параметры сетевых графиков, порядок и правила их расчета.
- •Производственная функция и ее роль в прогнозировании.
- •15. Классификация объектов прогнозирования (см. 1 вопрос).
- •16. Сетевые методы прогнозирования.
- •Прогнозирование влияния технического уровня производства на экономические показатели.
- •18. Оптимизация сетевых моделей.
- •19. Метод вероятностного моделирования.
- •20. Основные различия кейнсианской и классической модели экономики.
- •21. Модель в.Леонтьева «затраты-выпуск».
- •22. Особенности прогнозирования динамических моделей экономики.
- •Модель динамического межотраслевого баланса.
- •23. Метод коллективных экспертных оценок (мкэо).
- •24. Прогнозирование нтп.
- •25. Моделирование объекта прогнозирования.
- •26. Прогнозирование перспективной численности.
- •27. Оптимизационные методы прогнозирования.
- •28. Модель в. Леонтьева и использование ее для прогнозирования темпов и пропорций в сфере экономики.
- •29. Метод наименьших квадратов (мнк).
- •30.Макроэкономические производственные функции.
- •31. Метод экспоненциального сглаживания (мэс).
- •32. Анализ демографической ситуации региона (см. 26 вопрос)!!!
- •33. Прогнозный сценарий – как метод прогнозирования.
- •34. Прогнозирование трудовых ресурсов.
- •35. Матричный метод прогнозирования.
- •36. Прогнозирование темпов роста (мало!).
- •Годовые темпы роста рассчитываются как отношение показателей, характеризующего экономический рост за два определенных года:
- •37. Модель государственного воздействия на экономику.
- •38. Задачи прогнозирования национальной экономики (плохой вопрос!!!).
- •39. Односекторная модель Солоу.
- •40. Методические вопросы сбора экспертной информации для прогнозирования.
- •41. Трехсекторная модель р.Солоу.
- •42. Организация прогнозирования национальной экономики.
- •43. Динамическая модель в.Леонтьева.
- •44. Расчет параметров сетевой модели.
27. Оптимизационные методы прогнозирования.
Нет!!!
28. Модель в. Леонтьева и использование ее для прогнозирования темпов и пропорций в сфере экономики.
Нет!!!
29. Метод наименьших квадратов (мнк).
МНК – один из наиболее распростр-х методов оценки пар-ров завис-тей. Сущность МНК состоит в отыскании пар-ров модели тренда, минимизирующих ее отклонение от точек исходного врем. ряда.
S = , где- расчетные значения исх. ряда; Yt – фактич. значения исх. ряда; n - число наблюдений.
Модель тренда представляется в виде: = f (Xt: a1, а2..........ак, t), где a1 ... ak - параметры модели; t - время; Xt - независимые переменные.
Чтобы найти пар-ры модели, необх-мо приравнять к нулю первые производные величины S по каждому из коэфф-тов aj. Решая получ. систему уравнений с k неизвестными, находим знач-я коэфф-в aj.
Процедура оценки прогноза, при использ-нии МНК, предполагает обязательное удовлетворение ряда предпосылок, невыполнение кот-х может привести к значительным ошибкам.
-
Случ. ошибки имеют нулевую среднюю, конечные дисперсии и ковариации.
-
Каждое измерение случайной ошибки характеризуется нулевым средним, не зависящим от значений наблюдаемых переменных.
-
Дисперсии каждой случайной ошибки одинаковы, их величины независимы от значений наблюдаемых переменных.
-
Отсутствие автокорреляции ошибок.
-
Случайные ошибки имеют нормальное распределение.
-
Значения эндогенной переменной X свободны от ошибок измерения и имеют конечные ср. значения и дисперсии.
В практических исследованиях в качестве модели тренда в основном используют следующие функции: линейную y = ax + b; квадратичную y = ax + bx + c; степенную; показательную; экспоненциальную; логическую. Особенно широко применяется линейная, или линеаризуемся, то есть сводимая к линейной, форма как наиболее простая и в достаточной степени удовлетворяющая исходным данным.
Выбор модели в каждом конкретном случае осуществляется по целому ряду статистических критериев, напр-р, по дисперсии, корреляционному отношению и др. Следует отметить, что названные критерии являются критериями аппроксимации, а не прогноза. Однако принимая во внимание принятую гипотезу об устойчивости процесса в будущем, можно предполагать, что в этих условиях модель, наиболее удачная для аппроксимации, будет наилучшей и для прогноза.
В ряде случаев для выбора вида функциональной завис-ти используется прием, основанный на том, что определенные соотношения м/у изменениями входной и выходной величины предполагают ту или иную функциональную зависимость.
Действительно, если выполнено условие = const, то принимается линейная модель, где , - коэфф-ты, определяемые по МНК, - детерминиров. неслучайная компонента процесса, объекта;- стохастическая случайная компонента процесса, объекта.
Если детерминированная компонента (тренд) xt характеризует существующую динамику развития процесса в целом, то стохастическая компонента t отражает случайные колебания или шумы процесса. Обе составляющие процесса определяются каким-либо функциональным мех-змом, характеризующих поведения во времени. Задача прогноза состоит в определении вида экстраполирующих функций xt и t на основе исходных эмпирических данных.
Первым этапом экстраполяции тренда является выбор оптим. выбора оптимального вида функции, описывающей эмпирический ряд. Для этого проводятся предварит. обработка и преобраз-е исходных данных с целью облегчения выбора вида тренда путем сглаживания и выравнивания врем. ряда, определения функций дифференциального роста, а также формального и логического анализа особ-тей процесса.
След-щий этап – расчет параметров выбранной экстраполяционной функции. Наиб. распростр. методами оценки пар-ров завис-тей является МНК и его модификации, метод экспоненциального сглаживания, метод вероятностного моделирования, метод адаптивного сглаживания.
Важным этапом получения прогноза с помощью МНК является оценка достоверности полученного результата. Для этой цели используются:
1. Оценка стандартной ошибки: , где n - число наблюдений; p - число определяемых коэфф-тов модели.
2. Средняя относит. ошибка оценки: .
3. Среднее линейное отклонение В = .
4. Корреляционное отношение , где S- полная дисперсия зависимой переменной:
5. , где- средняя арифм. зависимой переменной, вычисленная по эмпирич. данным ряда.
Поскольку, 0<<1, то близость коэфф-та множеств. корреляции к 1 позволяет судить о надежности модели и существенности связи м/у переменными, оценивается индексом корреляции по Z-критерию Фишера:
6. , где Z p - табличное значение Z при заданной доверительной вероятности p.
Помимо корреляционного отношения для оценки достоверности модели используется F-критерий Фишера.
7. F = , где F1-- табличное значение F-критерия при заданной вероятности непринятия гипотезы о равенстве дисперсного отношения О.
МНК широко прим-ся для получения прогнозов, что объясняется его простотой и легкостью реализации на ЭВМ. Недостаток МНК: модель тренда жестко фиксируется и с помощью МНК можно получить надежный прогноз на небольшой период упреждения. Поэтому МНК относится главным образом к методам краткосрочн. прогнозирования.