- •1. Статистическое наблюдение, его формы, виды и способы.
- •2. Виды статистических группировок. Построение группировки по количественному признаку
- •3. Абсолютные, средние и относительные статистические показатели.
- •4 Аналитические показатели временного ряда
- •5. Индивидуальные и сводные индексы, их взаимосвязи.
- •6. Методы проверки временных рядов на наличие тенденции.
- •7. Методы выбора формы трендовой модели
- •8. Построение моделей авторегрессионных преобразований.
- •1. Основан на использовании, так называемых, последовательных или конечных разностей.
- •2. Метод отклонений эмпирических значений признака от теоретических по уравнению тренда полученных.
- •3. Метод Фриша-Воу
- •9. Прогнозирование на основе средних аналитических показателей временных рядов.
- •10. Прогнозирование на основе экстраполяции тренда.
- •11. Прогнозирование с учетом дисконтирования информации
- •12. Прогнозирование на основе кривых роста Гомперца и Перля-Рида.
- •13. Автокорреляция, ее выявление в уровнях временного ряда
- •14. Прогнозирование связных временных рядов
- •15. Оценка точности и надежности прогнозов.
- •16. Основные понятия теории выборочного наблюдения
- •17. Алгоритмы формирования выборочной совокупности
- •18. Простая случайная и систематическая выборки
- •19. Расслоенная выборка
- •20. Кластерная (сериальная) выборка
- •21.Предмет, задачи и система показателей макроэкономической статистики
- •22. Статистическое исследование результатов экономической деятельности
- •23. Статистическое исследование трудового потенциала и трудовых ресурсов
- •24. Статистическое исследование цен и ценообразования
- •25.Статистическое исследование внешней экономической деятельности
- •26. Сводный счет «Производство», его назначение и система показателей.
- •27. Методология исчисления валового внутреннего продукта и национального дохода
- •28. Межотраслевой баланс производства и распределения продукции в снс
- •29. Система макроэкономических показателей, применяемая в международной статистической практике
- •30. Предмет, метод, функции и система показателей социальной статистики
- •1. Общество, его основные характеристики и дифференциация
- •2. Условия жизни
- •3. Уровень жизни (материальная сторона)
- •4. Способ жизни и качественные аспекты жизни
- •Расчет коэффициентов корреляции Кэндела и Спирмена . [-1;1]
- •31.Статистическое исследование социальной структуры и социальной мобильности населения
- •32.Статистическое исследование жизненного уровня населения
- •33.Статистическое исследование дифференциации населения по денежным доходам
- •34.Статистическое исследование сферы обслуживания и охраны здоровья населения
- •35.Предмет, задачи и система показателей демографической статистики
- •36.Статистическое исследование численности, размещения и состава населения
- •37.Статистическое исследование естественного движения населения
- •38.Статистическое исследование миграционного движения населения.
- •39.Статистическое исследование воспроизводства населения
- •40. Понятие, принципы и методы демографического прогнозирования
- •41.Случайные величины. Закон распределение вероятностей дискретной случайной величины
- •42. Функция распределения и плотность вероятности случайной величины, их свойства
- •43. Основные числовые характеристики случайной величины и их свойства
- •44.Биноминальный и нормальный законы распределения случайной величины
- •45.Парные и частные коэффициенты корреляции, их свойства
- •46. Множественные коэффициенты корреляции и детерминации, их свойства
- •47. Понятие генеральной совокупности и выборки из нее
- •48. Определение точечной оценки (статистики) и основные требования, предъявляемые к точечной оценке (несмещенность, состоятельность, эффективность)
- •49. Интервальные оценки параметров генеральной совокупности
- •50. Интервальная оценка генеральной средней нормально распределенной генеральной совокупности.
- •51. Интервальная оценка генеральной дисперсии нормально распределенной генеральной совокупности.
- •52. Статистические гипотезы и правила их проверки. Статистические критерии.
- •53. Сущность дисперсионного анализа. Основные задачи, решаемые с его помощью
- •54. Определение оценок параметров классической линейной модели множественной регрессии с помощью метода наименьших квадратов
- •55. Факторный и компонентный анализ как методы снижения размерности
- •56. Кластерный анализ как метод многомерной классификации
- •57. Проверка значимости уравнения множественной регрессии и его коэффициентов. Интервальное оценивание коэффициентов уравнения регрессии
- •58. Гомо- и гетероскедастичность остатков в регрессионных моделях.
- •59. Обобщенный метод наименьших квадратов (омнк). Свойства омнк-оценок
- •60. Дискриминантный анализ как метод многомерной классификаций с обучением
10. Прогнозирование на основе экстраполяции тренда.
Наиболее распространенным методом прогнозирования выступает аналитическое выражение тренда. При этом для выхода за границы исследуемого периода достаточно продолжить значения независимой переменной – времени. При таком подходе к прогнозированию предполагается, что ход развития явления связывается не с какими-либо конкретными факторами, а с течением времени, то есть: Экстраполяция дает возможность получить точечное значение прогноза.
Точечный прогноз - оценка прогнозируемого показателя в точке (в конкретном году, месяце, дне) по уравнению, описывающему тенденцию показателя. Точечная оценка рассчитывается путем подстановки номера года t, на который рассчитывается прогноз, в уравнение тренда. Она является средней оценкой для прогнозируемого интервала времени. Совпадение фактических данных и прогностических оценок – явление маловероятное, поэтому целесообразно определить доверительные интервалы прогноза.
Величина доверительного интервала определяется следующим образом:
, — СКО тренда; — расчет прогноз знач уровня; tα — доверит. значение критерия Стьюдента.
Метод прогнозирования на основе экстраполяции тренда базируется на следующих предпосылках:
1. исходный временной ряд должен описываться плавной кривой, тогда прогн м.б. осуществлен на достат длит период времени;
2. общие условия, определяющие тенденцию развития изучаемого явления в прошлом и настоящем не должны претерпевать значительных изменений в будущем;
3. исходный ряд динамики должен иметь достаточное число уровней, с тем, чтобы отчетливо проявилась тенденция.
Трендовые модели выражаются различными функциями , на основе которых строятся модели прогноза и осуществляется их оценка.
На практике наибольшее распространение получили следующие виды трендовых моделей:
1) линейная
2) параболы различных степеней:
— 2-го порядка
— 3-го порядка (кубическая)
и т.д.
3) степенная: ;
4) показательная: ; ;
5) логарифмическая:
Выбор трендовой модели осущ любым из методов оценки качества модели: графич, последоват разностей, дисперсионный метод анализа, критерий серий, на основе СКО, КН (коэф несоотв) –см вопрос 9
При этом наиболее существенным вопросом прогнозирования по трендовым моделям является проблема точного прогноза.
Точная оценка прогноза весьма условна в силу следующих причин:
1. Выбранная для прогнозирования функция дает лишь приближенную оценку тенденции, так как она не является единственно возможной.
2. Статистическое прогнозирование осуществляется на основе ограниченного объема информации, что, в свою очередь, сказывается на величине доверительных интервалов прогноза.
3. Наличие в исходном временном ряду случайного компонента приводит к тому, что любой прогноз осуществляется лишь с определенной долей вероятности.
Рассматривая получение интервальных или точечных оценок прогноза следует учитывать, что в отдельных случаях получение более точных оценок не гарантирует надежности прогноза.
Применение трендовых моделей прогнозирования социально-экономических явлений имеет большую значимость и, несмотря на определенную простоту их реализации, часто используются для прогнозирования сложных социально-экономических явлений. Если выбранная модель тренда достаточно правильно отражает тенденцию развития, то полученные на ее основе прогнозы практически всегда надежны.
Прогнозирование методом экстраполяции тренда основывается на анализе тенденций развития одномерных временных рядов социально-экономических явлений и процессов.
Прогноз по аналитическому выражению тренда имеет один существенный недостаток, который иногда приводит к большим ошибкам: в данном случае прогнозируется только детерминированная составляющая ряда динамики и не учитывается случайный компонент. Чтобы избежать этой ошибки и сделать прогноз более точным, надо отыскать закономерность изменения во времени случайного компонента. Для этого принято вначале находить отклонения от тренда и определять закономерность их изменения во времени, а затем делать прогноз случайной составляющей динамического ряда. Результаты обоих прогнозов объединяются.
Рассматриваемый метод тогда дает удовлетворительные результаты, когда в эмпирическом ряду случайные колебания будут небольшими и между ними отсутствует автокорреляция (т.е. наличие сильной корреляционной зависимости между последовательными уровнями временного ряда).
Величина доверит интервала: , - СКО прогноза, - прогнозное значение на момент времени t +L, R* - расчетная величина, которая зависит от исходного ряда динамики и периода упреждения: R* = R , -распределение Стьюдента
R =
Достаточно надежный прогноз м.б. получен, если число наблюдений для линейного тренда не менее 15 уровней, а для параболы – не менее 20.
содержание