1. Система — это совокупность элементов, объединённых некоторым образом в единое целое.
2. Модель — это некоторый материальный или мысленно представляемый объект или явление, замещающий оригинальный объект или явление, сохраняя только некоторые важные его свойства.
3. Прогноз — научно обоснованное суждение о возможных состояниях объекта в
будущем и (или) об альтернативных путях и сроках их осуществления.
4. срок прогнозирования - Период упреждения прогноза (промежуток времени, на который разрабатывается прогноз)
5. Любой прогноз основан на изучении некоторого прошлого множества наблюдений. Этот промежуток времени, на основании которого строится прогноз, получил название периода основания прогноза.
6. Период упреждения прогноза — это тот промежуток времени, на который
разрабатывается прогноз
7. период времени, в течение которого объект продолжает развиваться по инерции, то есть «период инерционности».
8. Краткосрочный прогноз – это прогноз на такой промежуток времени, который мал по отношению к периоду инерционности.
9. Среднесрочный прогноз выполняется на промежуток времени, соизмеримый с периодом инерционности объекта прогнозирования.
10. Долгосрочный прогноз выполняется на период упреждения, значительно
превышающий период инерционности
11. временным (динамическим) можно назвать упорядоченный во времени ряд наблюдений, в котором время наблюдения характеризует особенность состояния внешних и внутренних факторов поведения объекта наблюдения, в результате чего формирование ряда осуществляется неслучайным образом.
12. Обратимый процесс характеризуется постоянством некоторых статистических характеристик, сохраняющихся вне зависимости от времени наблюдения.
стационарный,
• нестационарный
13. необратимым процессом тенденции либо меняются во времени (процесс
носит эволюционный характер), либо просто отсутствуют (хаотический характер).
эволюционный,
• хаотический.
14. Увеличение числа наблюдений не улучшает характеристики модели. Увеличение числа наблюдений в данном случае только ухудшит прогнозные и
аналитические свойства модели.
15. В случае с обратимыми процессами, время наблюдения никакой роли не играет, ряд можно считать просто упорядоченным во времени.
16. Стационарный - Стационарный обратимый процесс представляет собой некоторые случайные колебания вокруг некоего математического ожидания с определённой дисперсией. В стационарном процессе математическое ожидание представляет собой некоторую константу.
В нестационарном обратимом процессе математическое ожидание может быть описано
некоторой математической функцией, оно в таком случае называется «условным
математическим ожиданием». Отклонения от этой функции носят случайный характер и
подчинены нормальному закону распределения. Однако сама функция, какой бы сложной
она ни была, в таком процессе со временем не меняется. Пример на графике представляет процесс, который может быть описан, например, экспоненциальной функцией.
В хаотическом необратимом процессе все характеристики всё время меняются, причём резко и непредсказуемо. Хаотические процессы в таком понимании сами по себе в экономике не существуют. Обычно они появляются во время перехода системы на новый уровень и длятся недолго.
В эволюционном необратимом процессе появляющиеся тенденции под воздействием
каких-либо факторов с течением времени меняются: вначале имеется одно
математическое ожидание и дисперсия, спустя некоторое время в системе происходят
качественные изменения, в результате чего статистические характеристики меняются
17. Формула
18. Коэффициент корреляции показывает лишь близость связи между показателями к линейной. То есть, если коэффициент корреляции оказался близок к нулю, то это говорит не о том, что связь
между показателями отсутствует, а о том, что между показателями нет линейной связи. Но вполне возможно, что в таком случае между показателями имеется какая-то сложная нелинейная связь.
19. коэф корр 0,8 - сильная статистическая взаимосвязь между величинами. 0,02 - слабая. -0,87 сильная обратная взаимосвязь ( чем больше одно, тем меньше другое)
20. Производственная функция — технологическая зависимость между затратами ресурсов и выпуском продукции. обычно используют функцию кобба-дугласа
21. Критерий МНК- минимум суммы квадратов отклонений. (то есть отклонения экспериментальных значений от выбранной функции должны быть минимальны)
22. доверительный интервал - средняя+-tстатистика*корень из дисперсии
23.Формула
24.
25. Как можно выбрать модель на основе ошибок аппроксимации (должна быть меньше 15%), коэффициента детерминации (больше 0,8) и коэффициента соответствия (чем больше, тем лучше)
26.
27.0 меньше Альфа меньше 2
28.Альфа 1, Альфа 2 принадлежит множеству де ствительных чисел ИР
29. В каких пределах лежат постоянные сглаживания в модели Хольта-Уинтерса? любые действительные числа
30.То же самое
31.
32.
33.
34. Идея метода сводится к тому, что при расчёте коэффициентов линейной функции отклонения модели от новых значений имеют большие веса, чем отклонения от старых данных. То есть условие МНК модифицируется так, что каждому отклонению задаётся
некоторый вес vt
35. Преимущества модели Брауна:
1. Модель легка в построении,
2. Модель не требует никаких априорных предположений о прогнозируемом
процессе,
3. Модель даёт хорошие краткосрочные прогнозы в случае с эволюционными и
стационарными процессами.
Недостатки:
1. Модель не позволяет давать адекватные среднесрочные прогнозы,
2. Расчёт постоянной сглаживания невозможно автоматизировать, приходится её
подбирать.
36. Преимущества мнк с дисконтированием
1. Модель строится на основе наиболее важных данных, в результате чего отражает
последние тенденции, а не «средние» по всему ряду;
2. На основе этого метода можно построить любые регрессионные модели (в том
числе и многофакторные);
Недостатки:
1. При поступлении новых данных коэффициенты модели должны быть пересчитаны
вручную,
2. Нет алгоритма выбора постоянной сглаживания, требуется экспертное суждение,
3. Невозможно рассчитать дисперсию.
37. К преимуществам модели Холта можно отнести:
1. Модель позволяет давать более точные прогнозы в случаях с ярко выраженными
линейными тенденциями;
2. Модель позволяет делать прогнозы на несколько шагов вперёд;
К недостаткам относятся:
1. Выбор двух постоянных сглаживания и первоначальных значений
коэффициентов линейного тренда вызывают сложности;
2. В случае с рядами, не имеющими линейные тенденции, метод даёт результаты
сопоставимые с методом Брауна, а иногда и хуже;
3. Модель адаптируется к отклонениям на каждом шаге, вне зависимости от того,
носят они случайный или систематический характер, из-за чего прогноз очень
сильно зависит от того, как модель адаптируется к последнему наблюдению.
38. Преимущества модели Холта-Уинтерса:
1. Модель позволяет давать более точные прогнозы в случаях с ярко
выраженными линейными и циклическими тенденциями;
2. Модель позволяет делать прогнозы на несколько шагов вперёд;
Недостатки:
1. Большая «подготовительная работа», для которой требуется большой ряд
данных. В частности, если постоянные сглаживания подбираются
автоматически по какому-нибудь критерию (например, минимум СКО), то
нужно 3 части ряда: по первой части строится линейная функция и
вычисляются сезонные коэффициенты, по второй строится модель и
пересчитываются сезонные коэффициенты и только по третьей части можно
рассчитать постоянные сглаживания (из-за лага сезонности s адаптированные
сезонные коэффициенты включаются в модель только на этом участке);
2. Выбор трёх постоянных сглаживания и первоначальных значений
коэффициентов линейного тренда вызывают сложности;
3. Нет ничего более постоянного, чем перемены: циклические составляющие
существенно меняются во времени;
4. Модель адаптируется к отклонениям на каждом шаге, вне зависимости от того,
носят они случайный или систематический характер, из-за чего прогноз очень
сильно зависит от того, как модель адаптируется к последнему наблюдению.
39.