Содержание
-
Прогнозирование. Адаптивные модели Хольта и Брауна. Примеры применения моделей Брауна( М1,М2).
Экономическое прогнозирование
-
Содержание
Функции тренда. Виды моделей. (4) Системы нормальных уравнений и их решения (9). Адаптивные модели (25). Модели Хольта (34) и Брауна М1 (39) . Пример построения модели Брауна М1 (41). Построение модели Брауна М2 (49). Ошибка прогноза (54). Пример построения модели М2 (60). Ошибка прогноза (71).
-
Пример. Объемы привлечения средств
-
Функции тренда
Параметры уравнений функции тренда находят с помощью теории корреляции методом наименьших квадратов. Наиболее распространенными в экономике являются следующие регрессионные моделидолговременных составляющих аналитической модели 4.13 ряда динамики (функции тренда)
-
Линейная модель (4.13) Степенная модель (4.14) Параболическая модель (4.15)
-
Models
4.Показательная модель (4.16)
-
5.Смешанная модель 6.В некоторых случаях применяют более сложные виды зависимостей между y и r
-
Значения параметров
Значения параметров уравнений 4.13-4.19 регрессии находят с помощью метода наименьших квадратов, решая систему нормальных уравнений. Приведем системы нормальных уравнений для некоторых из перечисленных моделей:
-
Системы нормальных уравнений. Линейная модель.
-
Система нормальных уравнений для линейной модели
-
Нормальные уравнения. Степенная модель
-
Нормальные уравнения. Параболическая модель.
-
Система нормальных уравнений для показательной модели (4.16)
-
Пример 4.12. Найти функцию тренда
Для данных из примера 4.7. найти вид уравнения функции тренда в предположении: а) линейной б) параболической в) показательной моделей Напомним объемы привлечения средств за последние 12 месяцев и произведем все необходимые вычисления для решения систем нормальных уравнений для перечисленных моделей.
-
Объемы привлечения средств
-
-
-
-
-
-
Решение показательной модели
-
-
-
-
3. Адаптивные модели
Рассмотренные регрессионные модели не могут приспосабливаться, адаптироваться к новым условиям по мере изменения факторных признаков. Кроме того при прогнозировании имеет место фактор обесценения старой информации по мере поступления новой.
-
Основные понятия
Например. Система находится в некотором состоянии для определения текущего значения параметров. На их основе осуществляется прогнозy* на h шагов. Через h шагов становится известным фактическое значение прогнозируемого признака yi и величина его отклонения от теоретического (расчетного).
-
-
Это отклонение учитывают при прогнозировании на h+hiшаг в соответствии с правилом перевода модели из одного состояния в другое. Процесс продолжается до тех пор. Пока параметры модели не позволят с максимальной точностью определить последнее значение уровня эмпирического ряда динамики.
-
Кроме коэффициентов уравнения модели и h используют параметр α , называемый коэффициентом дисконтирования данных. Он изменяется в пределах от 0 до 1. Вместе с α используется также коэффициент сглаживания β=1-α
-
Основные понятия. Коэффициент дисконтирования.
Расчет выполняются двумя способами. По первому способу: При этом 10
-
Основные понятия
Согласно второму способу берут несколько коэффициентов дисконтирования и для одной обучающей выборки устанавливают вид моделей. Для каждой из них рассчитывают величину средней ошибки аппроксимации Выбирают такое значение α , которому соответствует
-
Все адаптивные модели базируются на двух схемах: Авторегрессии (АР – модели) Скользящего среднего (СС – модели) В авторегрессионных моделях оценкой текущего уровня является взвешенная сумма не всех, а нескольких предшествующих уровней. Информационная ценность наблюдений обуславливается не их близостью к моделируемому уровню, а теснотой связи между ними.
-
В схеме скользящей средней оценкой текущего уровня являются взвешенные средние всех предыдущих уровней. Информационная ценность наблюдений признается тем больше, чем ближе они находятся к концу интервала наблюдений. Наибольшее распространение получили - СС модели
-
3а.Модели Хольта и Брауна.
В практике статистического прогнозирования наиболее часто используют три модели скользящего среднего ( СС – модели): Модель Хольта Модель М1 Брауна Модель М2 Брауна
-
Модель Хольта
Модель Хольта представляет тенденцию развития признака ( в нашем случае – значений уровней ряда динамики) как линейную тенденцию с постоянно меняющимися параметрами. Прогнозную оценку вычисляют в момент времени tна h шагов вперед с помощью модели:
-
-
Где β1 и β2 - коэффициенты сглаживания ε(t) - величина отклонения (4.45)
-
Начальные значения a(0) и b(0) находят методом наименьших квадратов (например по первым значениям уровней ряда динамики.)
-
Модель М1 Брауна
Она предназначена для нахождения параметров модели вида
-
Начальные значения a и bопределяются также, как и в модели Хольта т.е. методом наименьших квадратов по первым значениям уровней ряда динамики, а ε(t) опять определяем по формуле т.е. как разность фактического и прогнозного значений
-
4. Построение модели М1 (183)
Пример 4.33 По данным примера 4.7.: 1)построить модель М1; 2) произвести точечный прогноз значения уровня ряда динамики (объем привлеченных средств) на февраль 2008 года Поскольку значения уровней рассматриваемого ряда динамики отстоят один от другого на один месяц h=1
-
-
-
-
-
-
-
Точечный прогноз (185)
-
5.Модель М2 (185 4.48)
Для построения модели М2 применяют рекуррентную формулу для нахождения экспоненциальной средней к - го порядка:
-
М2 4.49
Начальное значение
-
Тренд линейный. М2
Если тренд, наиболее точно описывающий эмпирические данные, линейный с уравнением 4.13 то
-
Параболический тренд
-
Уравнение адаптивной модели М2 в линейном виде
В линейном случае уравнение адаптивной модели М2 есть (4.46){y(t+h)=a(t)h+b(t)} вкоторой:
-
Коэффициенты линейной модели М2
В линейном случае уравнение адаптивной модели М2. есть (4.46), в которой
-
Ошибка прогноза
-
Параболическая модель М2
-
Параболическая модель
-
Параболическая модель М2
-
-
(Пример 4.34.) 6.Построить адаптивную модельМ2
-
Пример. Линейная модель. f1(t)= -0,0009t +1,1526
-
Линейная модель тренда
-
Экспоненциальная средняя первого порядка
-
Учитывая имеющуюся линейную модель
-
из 4.20
Т.е. прогнозную оценку в момент времениt на h шагов вычисляют с помощью модели: y(t+h) =a(t)h
-
Из 4.50. если тренд линейный, то
-
Экспоненциальная средняя второго порядка
-
Расчет коэффициентов
Согласно 4.51
-
Из 4.51
В линейном случае уравнение адаптивной модели М2 есть y(t+h)=a(t)h+b(t) В которой
-
4.46
Т.е. прогнозную оценку в момент времени t на h шагов вычисляют с помощью модели: y(t+h) =a(t)h
-
-
-
-
Нет комментариев для данной презентации
Помогите другим пользователям — будьте первым, кто поделится своим мнением об этой презентации.