Материал: Государственное прогнозирование социально-экономического развития

Этот метод применяют при выполнении следующих предположений:

1) уровни ряда могут быть представлены в виде суммы трендовой составляющей и случайной компоненты, подчиненной закону нормального распределения с математическим ожиданием, равным нулю и постоянной дисперсией; метод последующих разностей предполагает вычисление первых, вторых и т.д. разностей уровней ряда:

Расчет ведется до тех пор, пока разности не будут примерно равными. Порядок разностей принимается за степень выравнивающего полинома.

Этот прием можно использовать для преобразования временного ряда. При равных или равных первых разностях можно рассчитать теоретические значения уровней ряда:

Утеор =у+

В отдельных случаях используют метод характеристик прироста. Процедура выбора кривых роста с использованием этого метода включает:

• 1) выравнивание ряда по скользящей средней;
• 2) определение средних приростов;
• 3) вычисление производных характеристик прироста

Для многих видов кривых были найдены такие преобразования приростов, которые линейно изменялись относительно t или были постоянны. В связи с этим исследование рядов характеристик приростов часто оказывает существенную помощь при определении законов развития исходных временных рядов.

Данный метод является более универсальным по сравнению с методом последовательных разностей.

Однако, чаще всего на практике к выбору формы кривой подходят исходя из значений критерия, в качестве которого принимают сумму квадратов отклонений фактических значений уровня от расчетных, получаемых выравниванием. Из рассматриваемых кривых предпочтение будет отдано той, которой соответствует минимальное значение критерия, т.к. чем меньше значение критерия, тем ближе к кривой ложатся данные наблюдений.

Используя этот подход, следует иметь в виду ряд моментов. Во-первых, к ряду, состоящему из m точек можно подобрать многочлен степени (m-1), проходящий через все m точек. Кроме того, существует множество многочленов более высоких степеней, также проходящих через все эти точки. Для этих многочленов значение критерия будет равно 0, однако, очевидно, что такая кривая не слишком пригодна как для выделения тенденции, так и для целей прогнозирования.

Также следует учитывать, что за счет роста сложности кривой можно увеличить точность описания тренда в прошлом, однако доверительные интервалы при прогнозировании будут существенно шире, чем у более простых кривых при одинаковом периоде упреждения, например, за счет большего числа параметров.

Таким образом, использование этого подхода должно проходить в два этапа. На первом происходит ограничение приемлемых функций, исходя из содержательного анализа задачи. На втором - осуществляется расчет значений критерия и выбор на его основе наиболее подходящей кривой роста.

В современных пакетах статистической обработки данных и анализа временных рядов представлен широкий спектр кривых роста. Можно среди этих кривых выбрать отдельную функцию, и получить подробный протокол, включающий оценки параметров, характеристики остатков, прогнозы, интервальные и точечные. Можно выделить на экране несколько функций, тогда протокол будет содержать оценки параметров всех заказанных функций и значения критерия для каждой из них. В качестве критерия выбирается средняя квадратическая ошибка:

Подробный протокол, а также прогнозные значения, на заданное пользователем число временных интервалов, приводятся для функции, отвечающей минимуму указанного критерия. Представляется целесообразным для пользователя на основе выше рассмотренных подходов заранее отвергнуть заведомо непригодные варианты, ограничить поле выбора.

В заключение отметим, что нет “жестких” рекомендаций для выбора кривых роста. Особенно осторожно следует подходить к решению этой задачи при использовании полученной функции для экстраполирования найденных закономерностей в будущее. Применение кривых роста должно базироваться на предположении о сохранении выявленной тенденции в прогнозируемом периоде.

Для многих процессов в экономике характерно наличие связи между значениями исследуемого показателя в предпро- гнозном и прогнозном периодах. Зависимость от времени проявляется в данном случае через характеристики внутренней структуры процесса в предшествующем периоде.

Уравнение, выражающее величину переменной yt в момент t через значения этой переменной в моменты (t -),(t ~2),...,(t-р), называется уравнением авторегрессии. В линейной форме уравнение имеет вид:

Уг = «1^-1 + «2^-2 + * * * + aPyt-P + et>

где st - случайная составляющая с нулевым математическим ожиданием и дисперсией сг?

Применение авторегрессионных моделей основано на предварительном экономическом анализе, когда известно, что изучаемый процесс в значительной степени зависит от его развития в прошлые периоды. В некоторых случаях они используются для нахождения простого преобразования, приводящего к последовательности независимых случайных величин.

Существует другое определение авторегрессионной модели: модель стационарного процесса, выражающего значение показателя в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей.

В процессе анализа реальных экономических явлений понятие стационарности может быть лишь удобной абстракцией для применения статистических моделей.

Количество уровней, включенных в правую часть уравнения авторегрессии, определяет порядок уравнения.

Для предварительного изучения особенностей автокорреляционного взаимодействия элементов ряда целесообразно проводить графический анализ исходных данных путем нанесения на координатные поля пар значений (У,,У,-МУ{>У{-2->(У,,У,-Р)- Интервалы времени (t,i -k),k = 1,2,3,...,р, характеризующие удаленность сопоставляемых уровней ряда друг от друга, называются периодом запаздывания. Он показывает, через какой промежуток времени изменение переменной yt_k окажет воздей- ствие на yt. Изучение графических построений для различных к позволяет приближенно оценить направление и силу связи между близлежащими членами ряда.

Для оценки тесноты связи используется коэффициент автокорреляции, определяемый по формуле:

2 п-к ^ п

П t=1 п t=l

Определив гк для нескольких интервалов запаздывания в диапазоне 1 < к < п / 4 , можно получить так называемую автокорреляционную функцию, показывающую, как изменяется коэффициент автокорреляции по мере увеличения расстояния между сопоставляемыми уровнями временного ряда.

Автокорреляционная функция характеризуется тенденцией к затуханию колебаний, т.е. уменьшению абсолютной величины коэффициента. Вследствие этого для ее анализа используются такие характеристики, как период колебаний, частота колебаний, амплитуда колебаний, фаза, т.е угловая величина отклонения автокорреляционной функции от нулевого состояния.

Оценка параметров уравнений авторегрессии выполняется методом наименьших квадратов. Прогнозирование на основе авторегрессионной модели представляет многоэтапную процедуру, каждая стадия которой позволяет определить величину показателя на очередной единичный отрезок времени.

В качестве простейшего критерия адекватности уравнения авторегрессии исходному временному ряду может использоваться показатель абсолютного среднего отклонения, определяемый по формуле:

Z к-яI= n-p-l + l

Сферой применения моделей авторегрессии является моделирование спроса на предметы текущего потребления, изменение складских запасов и другие составляющие логистических процессов.

Определения доверительных интервалов прогноза

Одна из основных задач, возникающих при экстраполяции тренда, заключается в определении доверительных интервалов прогноза. Интуитивно понятно, что в основу расчета доверительного интервала прогноза должен быть положен измеритель колеблемости ряда наблюдаемых значений признака. Чем выше эта колеблемость, тем менее определенно положение тренда в пространстве “уровень -- время” и тем шире должен быть интервал для вариантов прогноза при одной и той же степени доверия. Следовательно, при построении доверительного интервала прогноза следует учесть оценку колеблемости или вариации уровней ряда. Обычно такой оценкой является среднее квадратическое отклонение (стандартное отклонение) фактических наблюдений от расчетных, полученных при выравнивании динамического ряда.

Прежде чем приступить к определению доверительного интервала прогноза, необходимо сделать оговорку о некоторой условности рассматриваемого ниже расчета. То, что следует далее, является в некоторой мере произвольным перенесением результатов, найденных для регрессии выборочных показателей, на анализ динамических рядов. Дело в том, что предположение регрессионного анализа о нормальности распределения отклонений вокруг линии регрессии не может, по существу, безоговорочно утверждаться при анализе динамических рядов.

Полученные в ходе статистического оценивания параметры не свободны от погрешности, связанной с тем, что объем информации, на основе которой производилось оценивание, ограничен, и в некотором смысле эту информацию можно рассматривать как выборку. Во всяком случае смещение периода наблюдения только на один шаг или добавление, или устранение членов ряда в силу того, что каждый член ряда содержит случайную компоненту, приводит к изменению численных оценок параметров. Отсюда расчетные значения несут на себе груз неопределенности, связанной с ошибками в значении параметров.

В общем виде доверительный интервал для тренда определяется как

• ? расчетное значение yt;
• ? значение t-статистики Стьюдента.

Если t = i + L то уравнение определит значение доверительного интервала для тренда, продленного на L единиц времени.

Доверительный интервал для прогноза, очевидно, должен учитывать не только неопределенность, связанную с положением тренда, но возможность отклонения от этого тренда. В практике встречаются случаи, когда более или менее обоснованно для экстраполяции можно применить несколько типов кривых. При этом рассуждения иногда сводятся к следующему. Поскольку каждая из кривых характеризует один из альтернативных трендов, то очевидно, что пространство между экстраполируемыми трендами и представляет собой некоторую “естественную доверительную область” для прогнозируемой величины. С таким утверждением нельзя согласиться. Прежде всего потому, что каждая из возможных линий тренда отвечает некоторой заранее принятой гипотезе развития. Пространство же между трендами не связано ни с одной из них -- через него можно провести неограниченное число трендов. Следует также добавить, что доверительный интервал связан с некоторым уровнем вероятности выхода за его границы. Пространство между трендами не связано ни с каким уровнем вероятности, а зависит от выбора типов кривых. К тому же при достаточно продолжительном периоде упреждения это пространство, как правило, становится настолько значительным, что подобный “доверительный интервал” теряет всякий смысл.

При условии учета стандартных ошибок оценок параметров уравнения тренда (которые по определению являются выборочными, а следовательно, могут не являться оценками неизвестных генеральных параметров из-за проявления случайной ошибки репрезентативности), и не рассматривая последовательность преобразований получим общую формулу доверительного интервала прогноза.

где - значение прогноза, рассчитанного по уравнению тренда на период t+L

? средняя квадратическая ошибка тренда;

К - коэффициент, учитывающий ошибки коэффициентов уравнения тренда

? значение t-статистики Стьюдента.

Коэффициент К рассчитывается следующим образом

n ? число наблюдений (длина ряда динамики);

L - число прогнозов

Значение К зависит только от п и L, т. е. продолжительности наблюдения и периода прогнозирования.