дур разработки прогнозов, ясностью и определенностью использования их результатов в практике управления общественным развитием [6, 9].
Термин «эконометрическое прогнозирование» обычно означает процедуру получения на основе эконометрических моделей некоторых характеристик зависимого процесса у (совокупности зависимых процессов), относящихся к следующим за моментом Т (последней точкой периода наблюдения) моментам Т+1, Т+2,...
Основные задачи эконометрического прогнозирования:
разработка, |
|
анал з |
и использование передовых математико- |
|
статистическ х методов прогнозирования (непараметрические методы, с |
||||
оценкой точности |
прогноза, |
адаптивные методы, методы авторегрессии |
||
и пр.); |
|
|
|
|
С |
|
практическое развитие методов прогнозирования, |
||
теорет ческое |
||||
включая методы анал за на |
азе статистики нечисловых данных, методы |
|||
прогнозирован я в услов ях высокого риска и комбинированные методы |
||||
прогнозирован я, предусматривающие совместное использование эконо- |
||||
метрическх эконом ко-математических моделей. |
||||
Эконометр ческ е методы прогнозирования относятся к категории |
||||
формальных (анал т ческих) методов, позволяющих получать прогнозы |
||||
различных показателей, |
в том числе социально-экономических, а также |
|||
анализироватьбАкачество полученных прогнозов на основе некоторых формальных статистических критериев. Полученный результат не является выражением мнения исследователя о характере рассматриваемого процесса в будущем, а лишь демонстрирует, какие значения будет принимать показатель, если сохранятся предполагаемые в модели предпосылки.
При этом в идеале модель, на основе которой строится прогноз, должна быть наилучшей с точки зрения некоторого критерия или набора критериев. Это в принципе дает основания полагать, что и полученные
прогнозные значения наилучшим образом отражают поведение рассмат- |
|
риваемого показателя в будущем. |
Д |
|
|
К эконометрическим методам прогнозирования относят: прогнозиро- |
|
вание на основе временных рядов (экстраполяция динамического ряда, |
|
|
И |
прогнозирование сезонных и циклических колебаний, адаптивные методы прогнозирования, прогнозирование на основе индикаторов и индексов, экстраполяция по огибающим кривым); прогнозирование на основе модели регрессии; прогнозирование на основе системы одновременных урав-
нений [1, 5, 7].
Прогнозирование на основе временного ряда относится к одномерным методам прогнозирования, базирующимся на экстраполяции, т.е. на продлении на будущее тенденции, наблюдавшейся в прошлом. При таком подходе предполагается, что прогнозируемый показатель формируется
66
под воздействием большого количества факторов, выделить которые очень сложно ввиду неопределенности и противоречивости информации. В этом случае ход изменения данного показателя связывают не с факторами, а с течением времени, что проявляется в образовании одномерных временных рядов.
Экстраполяционный прогноз по огибающим кривым является графоаналитическим методом и заключается в том, что получаемая в виде огибающей кривой общая тенденция (макропеременная) определяется на основе сглаж ван я отдельных кривых (микропеременных) эволюционно-
го развит |
я показателей различных классов объектов и распространяется |
на будущее. Построен е огибающей кривой основано на следующем не- |
|
строгом предположен : макропеременная по сравнению с микропере- |
|
С |
|
менными |
зменяется относительно плавно, непрерывно и медленно, не |
испытывая резк х скачков. Основная задача метода – определение наиболее вероятных сроков перехода к принципиально новым видам продук-
ции, обладающ м существенно олее высокими характеристиками вслед- |
|
ствие |
я, как правило, фундаментальных и прикладных науч- |
использован |
|
ных исследован й. Ог ающая кривая получается при сглаживании ломаной линии, составленной з касательных к точкам частных кривых.
При краткосрочном прогнозировании, а также при прогнозировании в ситуации изменения внешних условий, когда важными являются последние реализации исследуемого процесса, наиболее эффективными ока-
зываются адаптивные методы, учитывающие неравноценность уровней |
|
временного ряда. |
Д |
АдаптивныебАмодели прогнозирования – это модели дисконтирования |
|
данных, способные быстро приспосабливать свою структуру и параметры к изменению условий. Инструментом прогноза в адаптивных моделях является математическая модель с единственным фактором «время» [4, 6].
Цель адаптивных методов заключается вИпостроении самокорректирующихся (самонастраивающихся) моделей, которые способны отражать изменяющиеся во времени условия, учитывать информационную ценность различных членов временной последовательности и давать достаточно точные оценки будущих членов данного ряда. Отличие адаптивных моделей от других моделей состоит в том, что они отражают текущие свойства ряда и способны непрерывно учитывать эволюцию динамических характеристик изучаемых процессов.
На временной ряд воздействуют в разное время различные факторы. Одни из них по тем или иным причинам ослабляют свое влияние, другие воздействуют активнее. Таким образом, реальный процесс протекает в изменяющихся условиях, составляющих его внешнюю среду, в которой он приспосабливается, адаптируется.
67
При оценке параметров адаптивных моделей наблюдениям (уровням ряда) присваиваются различные веса в зависимости от того, насколько сильным признается их влияние на текущий уровень. Это позволяет учитывать изменения в тенденции, а также любые колебания, в которых прослеживается закономерность. Все адаптивные модели базируются на двух схемах: скользящего среднего (СС-модели) и авторегрессии (АР-модели) [10].
Уравнение регрессии применимо и для прогнозирования возможных ожидаемых значений результативного признака. При этом следует учесть, что перенос (экстраполяция) закономерности связи, измеренной в варьирующей совокупности в статике на динамику, не является, строго говоря, корректным требует проверки условий допустимости такого решения,
которое выход т за рамки статистики. |
|
С |
|
Огран чен ем прогнозирования на основе регрессионного уравне- |
|
ния, тем более парного, |
условие стабильности или, по крайней ме- |
ре, малой зменч вости других факторов и условий изучаемого процесса, |
|
служит не связанныхбАс н ми. Если резко изменится «внешняя среда» протекаю-
щего процесса, прежнее уравнение регрессии результативного признака потеряет свое значен е.
Прогноз руемое значение результативного показателя получается при подстановке в уравнение регрессии ожидаемой величины факторного признака. В роли прогнозируемого значения факторного признака может выступать:
xmin – пессимистический прогноз; xmax – оптимистический прогнозД; x – реалистический прогноз.
Прогноз, полученный подстановкой в уравнение регрессии ожидаемого значения фактора, называют точечным прогнозом. Если полученная модель регрессии экономически объективна и обладает требуемой точностью, то прогнозируемые значения обладают Идостаточной надежностью. По своему характеру они являются средними значениями, которые следует ожидать с большой вероятностью. Значения отдельных данных наблюдений рассеиваются вокруг средних значений, поэтому фактические значения результативного признака не будут совпадать с расчетными (прогнозами). Рассеяние наблюдений вокруг линии регрессии определяет надежность получаемых по уравнению регрессии прогнозируемых оценок. Для каждого прогнозируемого точечного значения результативного признака необходимо определять доверительный интервал (интервальный прогноз) [2, 10].
При использовании отдельных уравнений регрессии, например для экономических расчетов, в большинстве случаев предполагается, что аргументы (факторы) можно изменять независимо друг от друга. Построе-
68
ние изолированных уравнений регрессии недостаточно для описания экономических систем и объяснения механизма их функционирования. Изменение одной переменной, как правило, не может происходить без изменения других. На практике не всегда получается описать адекватно, например, сложное социально-экономическое явление с помощью только одного соотношения (уравнения). Кроме того, некоторые переменные могут оказывать взаимные воздействия и трудно однозначно определить, какая из них является зависимой, а какая независимой переменной. Поэтому при построен эконометр ческой модели прибегают к системам уравнений. Важное место зан мает проблема описания структуры связей между переменными с стемами так называемых одновременных уравнений.
|
истему вза мосвязанных тождеств и регрессионных уравнений, в |
|||
С |
|
|
||
которой переменные могут одновременно выступать как результирующие |
||||
в |
|
уравнен ях как о ъясняющие в других, принято называть сис- |
||
темой одновременных (эконометрических) уравнений. При этом в соот- |
||||
ношения могут вход ть переменные, относящиеся не только к моменту t, |
||||
но к предшествующ м моментам. |
|
|||
|
одних |
|
|
|
|
Системы одновременных уравнений в основном используются для |
|||
построен я макроэконом ческих моделей функционирования националь- |
||||
ной экономики. |
|
|
||
|
|
Контрольные вопросы и задания |
||
|
1. |
Что понимается под риском? |
|
|
|
2. |
ПеречислитебАосновные методы эконометрического прогнозирова- |
||
ния. Охарактеризуйте их |
|
|
||
|
3. |
Охарактеризуйте основные задачи эконометрического прогнози- |
||
рования. |
|
|
||
|
4. |
Что понимается под эконометрическим прогнозированием? |
||
|
5. |
|
Д |
|
|
Перечислите факторы, влияющие на выбор метода прогнозирования. |
|||
|
|
|
|
И |
69
1. В каких случаях применяется уравнение парной регрессии:
а) можно выделить один фактор, оказывающий наиболее сильное влияние на результативный признак;
б) можно выделить несколько факторов из генеральной совокупности; |
|||
в) можно выделить основной фактор из генеральной совокупности; |
|||
С |
|
||
г) можно определить среднее значение результативного признака. |
|||
2. Что означает коэфф циент регрессии: |
|||
а) среднее |
зменен е результата с изменением фактора на одну единицу; |
||
б) наклон л |
н регрессии; |
||
дание |
|||
в) вл ян е неучтенных в модели факторов; |
|||
г) абсолютное отклонение линии регрессии от генеральной совокупности. |
|||
3. |
пец ф кац я модели – это: |
||
а) функц ональная зав симость между переменными; |
|||
б) формул ровка в да модели, исходя из связи между переменными; |
|||
в) математ ческое ож |
; |
||
г) |
формул ровка корреляционной зависимости между факторными переменными. |
||
5. ФункциональнаябАсвязь – это:
4. К основным спосо ам оценки параметров линейной регрессии относят:
а) графический, аналитический, метод наименьших квадратов; б) коэффициентный, метод наименьших квадратов; в) графический, метод наименьших квадратов; г) метод наименьших квадратов, аналитический.
а) каждому значению одной переменной соответствует определенное значение другой переменной;
б) каждому значению одной переменной соответствует условное распределение другой переменной;
в) каждому значению одной переменной соответствуетИгенеральное распределение другой переменной;
Д
г) каждому значению одной переменной соответствует среднее значение другой переменной.
6. Случайная величина в уравнении регрессии означает:
а) влияние неучтенных в модели факторов; б) выбор неправильной спецификации модели;
в) отклонение признака в генеральной совокупности; г) отсутствие связи между признаками.
7. Особенность относительной ошибки аппроксимации:
а) предназначена для оценки качества модели в целом; б) оценивает каждое наблюдение в отдельности и поддается сравнению;
в) характеризует процентное изменение результативного признака; г) оценивает качественные показатели признака.
70