- •2. Основные этапы построения модели временного ряда
- •4. Метод декомпозиции временного ряда. Предпосылки к его применению для прогнозирования. Основные структурно образующие компоненты в декомпозиции временного ряда. (с. 62)
- •5. Понятие тренда. Понятие кривой роста. Примеры кривых роста, используемых в прогнозировании социально-экономических процессов. (с. 33)
- •6. Полиномиальные кривые. Их свойства. Использование метода характеристик прироста для выбора степени полинома. (с 16,37)
- •8. Что такое линеаризация модели? Как выполняется линеаризация простой экспоненты? Как используется это преобразование в оценке параметров модели и получении интервального прогноза?
- •9. Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
- •11.Свойства мнк-оценок параметров модели. Условия Гаусса-Маркова.
- •2.Условие постоянства дисперсии случайной компоненты (гомоскедастичность).
- •13. Показатели, используемые для оценки точности трендовых прогнозных моделей.
- •14. Понятия адекватности прогнозной модели.
- •15. Формула интервального прогноза по модели линейного тренда. Для каких ещё кривых роста можно её применять?
- •16.Ретроспективный прогноз. Верификация прогноза.
- •17.Сезонная неравномерность, ее показатели. Понятие индекса сезонности. Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
- •18. Понятия экстраполяции и периода упреждения в прогнозировании. Выбор длины периода упреждения.
- •20. Модели авторегрессии. Предпосылки к применению этих моделей. Преобразование исходных данных для построения модели авторегрессии.
- •21. Понятие частной автокорреляционной функции. Ее применение для оценки порядка модели авторегрессии.
- •22. Применение метода скользящего среднего в краткосрочном прогнозировании. Простое скользящее среднее и экспоненциальное сглаживание.
- •23. Модели Брауна нулевого и первого порядка.
- •24.Многофакторная модель временного ряда. Методы отбора факторов
- •25.Построение модели регрессии на главных компонентах.
8. Что такое линеаризация модели? Как выполняется линеаризация простой экспоненты? Как используется это преобразование в оценке параметров модели и получении интервального прогноза?
Для описания процессов существуют линейные регрессионные модели, в которых переменные имеют первую степень (модели, линейные по переменным), а параметры выступают в виде коэффициентов при этих переменных (модели, линейные по параметрам). Однако соотношение между социально-экономическими явлениями и процессами далеко не всегда можно выразить линейными функциями, так как при этом могут возникать неоправданно большие ошибки.
Так, например, нелинейными оказываются производственные функции (зависимости между объемом произведенной продукции и основными факторами производства — трудом, капиталом и т. п.), функции спроса (зависимость между спросом на товары или услуги и их ценами или доходом) и другие. Для оценки параметров нелинейных моделей используются несколько подходов, один из них – линеаризация.
Этот подход основан на линеаризации модели и заключается в том, что с помощью подходящих преобразований исходных переменных исследуемую зависимость представляют в виде линейного соотношения между преобразованными переменными
Пример линеаризации простой экспоненты
yt^=b*mt : ln y^=lnb+t*lnm. Перейдя от значений yt к Yt=ln yt , легко получить оценку параметров модели Yt^=a0+a1t где a0=lnb, a1=lnm. Отсюда b=ae0, m=ae1
9. Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
Когда применяют линейную модель для прогнозирования, предполагают, что и в дальнейшем развитии рассматриваемого показателя сохранится постоянный цепной прирост.
На этом свойстве постоянства цепного прироста базируется метод построения линейной модели по двум точкам на основе Δy¯ – среднего цепного прироста: Δy¯ =(yn-y1)/(n-1). Модель можно записать в виде y^t=y1+ Δy¯ * (t-1). Другая форма записи: y^t+τ=yt+ Δy* τ , где τ - период упреждения, yt – уровень ряда, принятый за базу экстраполяции.
Экспоненциальную модель можно представить по двум точкам на основе К¯ - среднего коэффициента роста и записать в виде y^t= y1 * K¯t-1 Другая форма записи y^t+ τ=yt * K¯τ , где τ - период упреждения, yt – уровень ряда, принятый за базу экстраполяции
10. Основным методом получения оценок параметров модели детерминированной составляющей является метод наименьших квадратов (МНК). Суть МНК состоит в том, чтобы путем оптимизации параметров модели минимизировать значение функционала, представляющего сумму квадратов отклонений значений, рассчитанных по модели, от фактических значений:
(3-15)
Здесь , - модельное значение детерминированной составляющей.
При минимизации функционал Q рассматривается как функция от неизвестных параметров модели.
Суть МНК при использовании набора базисных функций состоит в минимизации суммы квадратов отклонений интерполяционного полинома (3.13) от заданной функции в узлах интерполяции. Эта сумма имеет вид
В матричной форме систему (3.19) можно записать в виде:
Z * А = В,
где Z - матрица СЛАУ (3.19) размерности m x n,
В - правая часть СЛАУ (вектор),
А - вектор, представляющий собой решение СЛАУ.
СЛАУ - система линейных алгебраических уравнений. Решив эту систему, найдем аи а2, ат - коэффициенты обобщенного полинома (3.13), минимизирующие сумму квадратов отклонений полинома от заданной функции в узлах интерполяции, так называемые МНК-оценки коэффициентов интерполяционного полинома (3.13).
СЛАУ (3.19)—(3.20) является нормальной системой по отношению к системе (3.14). Матрица Z симметрична, следовательно, она является нормальной: матрица Z называется нормальной, если выполняется условие ZT•Z = Z•ZT. Нормальная система всегда совместна, и обеспечивает минимум нормы невязки системы (3.14). Ее решение единственное в случае, если функции линейно независимы [10].
Для получения нормальной СЛАУ в матричном виде нужно исходную СЛАУ (обе части) умножить слева на транспонированную матрицу этой СЛАУ.
Однако обусловленность нормальной системы всегда хуже, чем исходной. На практике это означает, что мы должны ограничиться небольшим числом базисных функций, в частности, полиномом малой степени (обычно т <10). Искусство аппроксимации состоит в том, чтобы подобрать модель с небольшим числом параметров, удовлетворительно описывающую аппроксимируемую функцию. В общем случае выбор базисных функций - непростая задача.
Методы исследования и решения СЛАУ подробно рассмотрены в [10]. Отметим лишь, что в среде MathCAD или Excel СЛАУ (3.19)-(3.20), при условии хорошей обусловленности, может быть решена методом обратной матрицы:
A = Z-1 * B. (3.21)