Содержание
-
ФОРМАЛИЗОВАННЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ
-
Сущность формализованных методов прогнозирования
Эти методы базируются на математической теории, которая обеспечивает повышение достоверности и точности прогнозов, значительно сокращает сроки их выполнения, позволяет обеспечить деятельность по обработке информации и оценке результатов. Формализованные методы позволяют получать количественные показатели. При разработке таких прогнозов исходят из предложения об инерционности системы. Недостатком формализованных методов является ограниченная глубина упреждения, находящаяся в пределах эволюционного цикла развития системы, за пределами которого на надёжность прогнозов падает.
-
Метод экстраполяция
это метод научного исследования, который основан на распространении прошлых и настоящих тенденций, закономерностей, связей на будущее развитие объекта прогнозирования. Цель методов экстраполяции – показать, к какому состоянию в будущем может прийти объект, если его развитие будет осуществляться с той же скоростью или ускорением, что и в прошлом.
-
Классификация формализованных методов прогнозирования
К методам экстраполяции относятся: метод скользящей средней метод экспоненциального сглаживания метод наименьших квадратов
-
1.Сущность метода наименьших квадратов
Состоит в минимизации суммы квадратических отклонений между наблюдаемыми и расчетными величинами, через уравнение регрессии. У t+1 = а*Х + b, где t + 1 – прогнозный период; Уt+1 – прогнозируемый показатель; a и b - коэффициенты; Х - условное обозначение времени.
-
Недостатки метода наименьших квадратов:
прогноз будет точен для небольшого периода времени и уравнение регрессии следует пересчитывать по мере поступления новой информации; сложность подбора уравнения регрессии, которая разрешима при использовании типовых компьютерных программ.
-
2.Метод экспоненциального сглаживания
На среднесрочные прогнозы. Только на один период вперед.Преимущества метода-он не требует обширной информационной базы и предполагает её интенсивный анализ с точки зрения информационной ценности различных членов временной последовательности.
-
Рабочая формула метода экспоненциального сглаживания:
где t – период, предшествующий прогнозному;t+1 – прогнозный период; Ut+1 - прогнозируемый показатель; α - параметр сглаживания; Уt- фактическое значение исследуемого показателя за период, предшествующий прогнозному; Ut- экспоненциально взвешенная средняя для периода, предшествующего прогнозному.
-
Затруднения:
выбор значения параметра сглаживания α; определение начального значения Uo. Примечание:Чем больше α, тем меньше сказывается влияние предшествующих лет. -Если значение α близко к единице, то это приводит к учету при прогнозе в основном влияния лишь последних наблюдений. -Если значение α близко к нулю, то веса, по которым взвешиваются уровни временного ряда, убывают медленно, т.е. при прогнозе учитываются все (или почти все) прошлые наблюдения.
-
3. Метод скользящей средней
даёт возможность выравнивать динамический ряд путём его расчленения на равные части с обязательным совпадением в каждой из них сумм модельных и эмпирических значений. Сглаживание с помощью скользящих средних основано на том, что в средних величинах взаимно поглощаются случайные отклонения.-Периоды определения средней берутся одинаковыми. -В расчетах участвуют все уровни ряда.-Сглаженный ряд короче первоначального на (n–1) наблюдений, где n – величина интервала сглаживания.
-
Рабочая формула:
где t + 1 – прогнозный период; t – период, предшествующий прогнозному периоду (год, месяц и т.д.); Уt+1 – прогнозируемый показатель; mt-1 – скользящая средняя за два периода до прогнозного; n – число уровней, входящих в интервал сглаживания; Уt– фактическое значение исследуемого явления за предшествующий период; Уt-1 – фактическое значение исследуемого явления за два периода, предшествующих прогнозному
-
виды моделей:
имитационные и другие оптимизационные статические комбинированные
-
Оптимизационные расчёты осуществляются на основе разработанных экономикой математических моделей и исходной информации с использованием специальных пакетов программ и ЭВМ. Имитационные модели, цель которых состоит в воспроизведении поведения исследуемой системы на основе результатов анализа наиболее существенных взаимосвязей между её элементами. Статистическиеметоды. В тех случаях, когда анализ математической модели даже численными методами может оказаться нерезультативным из-за чрезмерной трудоемкости или неустойчивости алгоритмов в отношении погрешностей аппроксимации и округления, строится имитационная модель
-
Комбинированное (аналитико-имитационное) моделирование позволяет объединить достоинства аналитического и имитационного моделирования.Такой подход позволяет охватить качественно новые классы систем, которые не могут быть исследованы с использованием только аналитического или имитационного моделирования в отдельности.
-
Задача. Имеются данные, характеризующие уровень безработицы в регионе, % Постройте прогноз уровня безработицы в регионе на ноябрь, декабрь, январь месяцы, используя методы: скользящей средней Рассчитайте ошибки полученных прогнозов при использовании каждого метода.
-
1. Определить величину интервала сглаживания, например равную 3 (n = 3). 2. Рассчитать скользящую среднюю для первых трех периодов m фев = (Уянв + Уфев + У март)/ 3 = (2,99+2,66+2,63)/3 = 2,76 Далее рассчитываем m для следующих трех периодов февраль, март, апрель. m март = (Уфев + Умарт + Уапр)/ 3 = (2,66+2,63+2,56)/3 = 2,62 Далее по аналогии рассчитываем m для каждых трех рядом стоящих периодов и результаты заносим в таблицу. Решение :
-
У ноябрь = 1,57 + 1/3 (1,42 – 1,56) = 1,57 – 0,05 = 1,52Определяем скользящую среднюю m для октября.m = (1,56+1,42+1,52) /3 = 1,5Строим прогноз на декабрь. У декабрь = 1,5 + 1/3 (1,52 – 1,42) = 1,53Определяем скользящую среднюю m для ноября.m = (1,42+1,52+1,53) /3 = 1,49Строим прогноз на январь. У январь = 1,49 + 1/3 (1,53 – 1,52) = 1,49Заносим полученный результат в таблицу.
-
Нет комментариев для данной презентации
Помогите другим пользователям — будьте первым, кто поделится своим мнением об этой презентации.