Получение оценок коэффициентов регрессии и проверка их достоверности не являются самоцелью, это лишь необходимый промежуточный этап. Основное – это использовать модель для анализа и прогноза значений изучаемого экономического явления. Прогноз осуществляется подстановкой значения фактора х в полученную формулу регрессии.

Используем полученное в примере 1.1 (прил.4) уравнение регрессии для прогноза объема товарооборота. Если намечается открыть магазин с численностью работников х =140 чел., то обоснованный объем товарооборота устанавливается по уравнению ŷ (х )= –0,974 + 0,01924×140=1,72 млрд. рублей.

Доверительный интервал для прогноза значения у (х )=a 0 +a 1 х определяется по формуле

где t p – критическая граница распределения Стьюдента с n – 2 степенями свободы, соответствующая уровню значимости р . Для получения доверительного интервала воспользуемся выражением (2.2).

Выберем уровень значимости 5%. Количество степеней свободы у нас 8 – 2 = 6, тогда по таблице распределения Стьюдента (приложение 1) находим

t 0.05 (6)=2,447.s= =0,089,

следовательно, с вероятностью 95% истинные значения объемов товарооборота будут лежать в пределах

1,72 – 2,447×0,048<y (x )<1,72+2,447×0,048, или 1,60<y (x )<1,84.

2.8. Практический блок

Пример. Построить уравнение регрессии между заданными переменными, проверить её адекватность, сделать прогноз методом экстраполяции.

1 . Построить диаграмму рассеяния в EXCELи сделать заключение о наличии корреляции.

Таблица 2.6Диаграмма 2.1

Y	x
29,5	2,1
34,2	2,9
30,6	3,3
35,2	3,8
40,7	4,2
44,5	3,9
47,2	5,0
55,2	4,9
51,8	6,3
56,7	5,8

Из диаграммы 2.1 видно, что между переменнымиx и y имеется сильная линейная связь .

Таблица2.7

№			xy
	29,5	2,1	61,95	4,41	870,25	27,91	0,054	1,59
	34,2	2,9	99,18	8,41	1169,64	33,46	0,022	0,74
	30,6	3,3	100,98	10,89	936,36	36,23	0,184	-5,63
	35,2	3,8	133,76	14,44	1239,04	39,69	0,128	-4,49
	40,7	4,2	170,94	17,64	1656,49	42,47	0,043	-1,77
	44,5	3,9	173,55	15,21	1980,25	40,39	0,092	4,11
	47,2	5,0			2227,84	48,01	0,017	-0,81
	55,2	4,9	270,48	24,01	3047,04	47,32	0,143	7,88
	51,8	6,3	326,34	39,69	2683,24	57,02	0,101	-5,22
	56,7	5,8	328,86	33,64	3214,89	53,55	0,056	3,15
ИТОГО:		42,2	1902,04	193,34	19025,04		0,840
Среднее	42,6	4,22	190,204	19,334	1902,504

2.1.Теснота связи между переменными:

;

Вывод: сильная связь.

2.2.Проверим по критерию Стьюдента статистическую значимость:

По критерию Стьюдента: t выб <=t кр

Гипотеза Н о: r=0,t кр =2,31,

t выб =r выб *

Так какt выб =5,84сильную линейную связь.

3. Записать систему нормальных уравнений для коэффициентов линейной регрессии. Используя метод наименьших квадратов, рассчитайте эти коэффициенты.

Подставляя в найденное уравнение регрессии значения (графа (3) табл.2.7), рассчитаем значения (графа (7) табл.2.7).

4. Для полученного уравнения регрессии между Х и У рассчитать среднюю ошибку аппроксимации. Сделать заключение об адекватности полученной модели.

Заполним 8-ю и 9-ю графу табл.2.7.

<Екр=12%

Модель признается удовлетворительной.

5 . Проверить значимость коэффициента a 1 уравнения регрессии, используя критерий Стьюдента.

Решение: Таблица 2.8

№
	29,5	2,1	27,91	214,623	2,5281	170,564
	34,2	2,9	33,46	82,81	0,5476	69,8896
	30,6	3,3	36,23	40,069	31,6969	143,0416
	35,2	3,8	39,69	8,237	20,1601	54,1696
	40,7	4,2	42,47	0,008	3,1329	3,46
	44,5	3,9	40,39	4,709	16,8921	3,7636
	47,2		48,01	29,703	0,6561	21,5296
	55,2	4,9	47,32	22,658	62,0944	159,7696
	51,8	6,3	57,02	209,092	27,2484	85,3776
	56,7	5,8	53,55	120,78	9,9225	199,9396
ИТОГО:	425,6	42,2	426,1	732,687	174,8791	911,504
Среднее	42,56	4,22

Статистическая проверка:

Выводы: С доверительной вероятностью 0.9 коэффициент a 1 является статистически значимым, таким образом, гипотеза отвергается.

6. Проверить адекватность уравнения регрессии в целом, применив F-критерий Фишера-Снедекора.

Статистическая проверка:

:модель не адекватна

Так какF выб >F кр, то отвергается гипотеза (принимается альтернативная)с доверительной вероятностью 0.95. Данная модель адекватна и может использоваться для прогнозирования при принятии управленческих решений.

(таб. 2.8).

Доля вариации.

Таким образом, 80% вариации объясняемой переменной объясняется включенным в модель фактором, а 20% факторами, не включенными в модель.

Тесноту связи между переменными для произвольной связи показывает эмпирическое корреляционное отношение, при линейной связи , и коэффициент корреляции равен коэффициенту детерминации.

9 . Выполнить точечный прогноз для .

Исходные данные,

Точечный прогноз,

Линию регрессии,

90% доверительные интервалы.

Сформулировать общие выводы относительно полученной регрессионной модели.

-математическое ожидание среднего.

Чтобы выполнить интервальный прогноз рассмотрим две области.

а) доверительные границы уравнения регрессии дляy из области значений переменнойx рассчитаем по формуле:

б) для прогнозных значений доверительный интервал для рассчитаем по формуле:

Имеем:n=10, t=2,31(таб. Приложение 1),

19,334-4,22 2)=1,53.

: 27,9; 42,6; 57,0; 66,7

Таблица 2.9

№
1	2,1	-2,12	1,74	3,03	4,49	2,31	4,68	27,9	18,81	9,10	46,72
	4,22	0,00	0,32	0,1	0,00	2,31	4,68	42,6	3,46	39,10	46,02
	6,3	2,08	1,71	2,93	4,33	2,31	4,68	57,0	18,49	38,53	75,51
	7,7	3,48		9,02	12,11	2,31	4,68	66,7	32,43	34,29	99,15

Т.к. 90% точек наблюдения находится в 90% - доверительном интервале, данная модель с ее доверительными границами может использоваться для прогнозирования с доверительной вероятностью 0,9.

Контрольные вопросы

1. Линейные регрессионные модели с гетероскедастичными и автокоррелированными остатками.

2. Виды автокорреляции и их краткая характеристика.

3. Автокорреляция в остатках и порядок её обнаружения.

4. Виды автокорреляции в остатках.

5. Порядок использования критерия Дарбина-Уотсона.

6. Автокорреляция в исходных данных и порядок определения её наличия.

7. Методы устранения влияния автокорреляции на результаты прогнозирования.

8. Обобщенный метод наименьших квадратов (ОМНК).

9. Что понимается под гомоскедастичностью?

10. Как проверяется гипотеза о гомоскедастичности ряда остатков?

11. Оценка качества регрессии. Проверка адекватности и достоверности модели.

12. Значимость коэффициентов регрессии (критерий Стъюдента).

13. Дисперсионный анализ. Проверка достоверности модели связи (по F-критерию Фишера).

14. Коэффициенты и индексы корреляции. Мультиколлениарность.

15. Оценка значимости корреляции. Детерминация.

16. Средняя ошибка аппроксимации.

17. Принятие решений на основе уравнений регрессии.

18. В каких задачах эконометрики используется распределение Фишера?

19. Таблицы каких распределений используются при оценке качества линейной регрессии?

20. Каковы особенности практического применения регрессионных моделей?

21. Как осуществляется прогнозирование экономических показателей с использованием моделей линейной регрессии?

22. Как можно оценить «естественный» уровень безработицы с использованием модели линейной регрессии?

23. В каких случаях необходимо уточнение линейной регрессионной модели и как оно осуществляется?

24. Когда необходимо выведение из рассмотрения незначимых объясняющих переменных и добавление новых переменных?

Задания и задачи

1 . Имеются данные о показателях деятельности компаний США в 2006г.

№ п/п	Чистая прибыль, млрд$,у	Использованный капитал, млрд $,х 1	Оборот капитала, млрд$,х 2	Капитализация компании, млрд$, х 4	Численность сотрудников, тыс.чел., х 3
	0,9	18,9	31,3	40,9	43,0
	1,7	13,7	13,4	40,5	64,7
	0,7	18,5	4,5	38,9	24,0
	1,7	4,8	10,0	38,5	50,2
	2,6	21,8	20,0	37,3	106,0
	1,3	5,8	15,0	26,5	96,6
	4,1	99,0	137,1	37,0	347,0
	1,6	20,1	17,9	36,8	85,6
	6,9	60,6	165,4	36,3	745,0
	0,4	1,4	2,0	35,3	4,1
	1,3	8,0	6,8	35,3	26,8
	1,9	18,9	27,1	35,0	42,7
	1,9	13,2	13,4	26,2	61,8
	1,4	12,6	9,8	33,1	212,0
	0,4	12,2	19,5	32,7	105,0
	0,8	3,2	6,8	32,1	33,5
	1,8	13,0	27,0	30,5	142,0
	0,9	6,9	12,4	29,8	96,0
	1,1	15,0	17,7	25,4	140,0
	1,9	11,9	12,7	29,3	59,3
	-0,9	1,6	21,4	29,2	131,0
	1,3	8,6	13,5	29,2	70,7
	2,0	11,5	13,4	29,1	65,4
	0,6	1,9	4,2	27,9	23,1
	0,7	5.8	15,5	27,2	80,8

2. Имеются данные о показателях деятельности компаний США в 2009г.

№ п/п	Чистая прибыль, млрд $, у	Использованный капитал, млрд $.х 1	Оборот капитала, млрд$, х 2	Численность, тыс. чел., х 3
	6,6	83,6	6,9	222,0
	3,0	6,5	18.0	32,0
	6,5	50,4	107,9	82,0
	3,3	15,4	16,7	45,2
	0,1	29,6	79,6	299,3
	3,6	13,3	16,2	41,6
	1,5	5,9	5,9	17,8
	5,5	27,1	53,1	151,0
	2,4	11,2	18,8	82,3
	3,0	16,4	35,3	103,0
	4,2	32,5	71,9	225,4
	2,7	25,4	93,6	675,0
	1,6	6,4	10,0	43,8
	2,4	12,5	31,5	102,3
	3,3	14,3	36,7	105,0
	1,8	6,5	13,8	49,1
	2,4	22,7	64,8	50,4
	1,6	15,8	30,4	480,0
	1,4	9,3	12,1	71,0
	0,9	18,9	31,3	43,0

Одна из базовых задач, возникающих при прогнозировании, состоит в определении доверительных интервалов прогноза. Интуитивно понятно, что в базе расчета доверительности интервала прогноза должен быть положен измеритель колеблемости ряда. Чем выше эта колеблемость, тем шире интервал для прогноза. Следовательно, вопрос о доверительном интервале прогноза следует начать с рассмотрения измерителя колеблемости. Обычно таким измерителем является среднее квадратическое отклонение:

где - соответственно фактическое и расчетное значения ряда;

f – число степеней свободы, определяемое исходя из числа наблюдений (n ) и числа оцениваемых параметров.

f = n – z,

где z – число оцениваемых параметров.

К примеру, для параболы второй степени f = n – 3, третьей степени f = n – 4 и т.д.

Сумму квадратов отклонений от тренда можно разложить следующим образом:

Последнее выражение можно упростить. Допустим, что начало отсчета находится в середине ряда, тогда , а параметры а и b будут равны:

После преобразований получим:

Разность первых двух членов правой стороны равна сумме квадратов отклонений от средней арифметической, ᴛ.ᴇ. .

Таким образом,

Последнее выражение показывает, что сумма квадратов отклонений от линий тренда меньше, чем от средней арифметической.

Сумма квадратов отклонений от линий тренда, ᴛ.ᴇ. и среднее квадратическое отклонение от тренда Sy является основой при определении средней квадратической ошибки параметров.

Прежде чем приступить к определению доверительного интервала прогноза, следовало бы сделать оговорку. Дело в том, что предположение о нормальности распределения отклонений вокруг линии регрессии не может ни утверждаться и не быть проверено при анализе рядов. Дискуссии еще в 30-40-х годах пролили свет на трудности, связанные с этой проблемой. В итоге, принципиальный новый подход так и не был найден. Все предложения так или иначе связаны с определением доверительного интервала на базе оценки среднего квадратического отклонения членов ряда.

Полученные в ходе оценивания параметры не свободны от погрешности. Расчетные значения несут на себе груз неопределенности, связанной с ошибками в значении параметров.

В общем виде доверительный интервал прогноза определяется как

где - средняя квадратическая ошибка;

Расчетное значение у t ;

Значение t -критерия Стьюдента.

В случае если t = I + L , то последнее определит значение доверительного интервала на L единиц времени.

Доверительный интервал прогноза должен учитывать не только неопределенность, но возможность отклонения, ᴛ.ᴇ. диапазон варьирования. В случае если обозначим среднюю квадратическую ошибку как S p , тогда доверительный интервал прогноза составит:

Доверительные интервалы прогноза - понятие и виды. Классификация и особенности категории "Доверительные интервалы прогноза" 2017, 2018.

При определении прогнозных значений того или иного явления с помощью экстраполяции наибольший интерес представляет, по-видимому, не сама экстраполяция – это более или менее механический прием, а определение доверительных интервалов прогноза.

Доверительные интервалы могут быть определены двояко: формально и неформально. Что касается последнего, то это дело экспертного суждения, которое выносится при качественном осмыслении результатов прогноза, сопоставлении их с другими имеющимися у эксперта данными. При этом, естественно, эксперт должен учитывать не только степень колеблемости фактических уровней вокруг тренда в прошлом, но и возможность деформации тренда в будущем (соответственно могут быть получены различные варианты прогноза).

Формальный доверительный интервал учитывает лишь ту неопределенность, которая связана с ограниченностью числа наблюдений и соответствующей неточностью найденных оценок параметров кривой. Основной вопрос, – в какой мере в будущем сохранится найденная тенденция, – естественно, не может быть решен с помощью таких доверительных интервалов. Это дело содержательного экономического анализа и экспертной оценки.

Основное внимание в данном учебном пособии уделим оценке формальных доверительных интервалов, базирующихся на статистическом анализе.

Соответствующая погрешность имеет следующие источники:

1) выбор формы кривой, характеризующей тренд, содержит элемент субъективизма. Во всяком случае, часто нет твердой основы для того, чтобы утверждать, что выбранная форма кривой является единственно возможной, а тем более лучшей для экстраполяции в данных конкретных условиях;

2) оценивание параметров кривых (иначе говоря, оценивание тренда) производится на основе ограниченной совокупности наблюдений, каждое из которых содержит случайную компоненту. В силу этого параметрам кривой, а, следовательно, и ее положению в пространстве свойственна некоторая неопределенность;

3) тренд характеризует средний уровень ряда на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом. Естественно ожидать, что подобного рода отклонения будут происходить и в будущем.

Вполне возможны случаи, когда форма кривой, описывающей тенденцию, выбрана неправильно или когда тенденция развития в будущем может существенно измениться и не следовать тому типу кривой, который был принят при выравнивании. В последнем случае основное допущение экстраполяции не соответствует фактическому положению вещей. Найденная кривая лишь выравнивает динамический ряд и характеризует тенденцию только в пределах периода, охваченного наблюдением. Экстраполяция такого тренда неизбежно приведет к ошибочному результату, причем ошибку такого рода нельзя оценить заранее. В связи с этим можно лишь отметить то, что, по-видимому, следует ожидать рост такой погрешности (или вероятности ее возникновения) при увеличении периода упреждения.

Погрешность, связанная со вторым и третьим источниками, может быть отражена в виде доверительного интервала прогноза при принятии некоторых допущений о свойстве ряда. С помощью такого интервала точечный прогноз преобразуется в интервальный.

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. Традиционно в качестве такого измерителя колеблемости используется среднее квадратическое (стандартное) отклонение (3.11).

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:

, (4.1)

где – средняя квадратическая ошибка тренда; –расчетное значение уровня ряда; –значение t -статистики Стьюдента.

В STATISTICA при расчете доверительных интервалов прогноза величину среднего квадратического отклонения S y можно определить, воспользовавшись таблицей дисперсионного анализа (см. рис. 3.17). Рассчитанное в ячейке Residual Mean Squares значение соответствует подкоренному выражению в формуле (3.11) для S y , то есть остаточной дисперсии.Остается только извлечь из него квадратный корень ( тыс.чел.).

Один из наиболее распространенных методов прогнозирования заключается в экстраполяции, т.е. в предсказании будущего на основе данных прошлого.

Экстраполяция базируется на следующих допущениях:

§ развитие явления может быть с достаточным основанием охарактеризовано плавной траекторией - трендом;

§ общие условия, определяющие тенденцию развития в прошлом, не претерпят существенных изменений в будущем.

Таким образом, экстраполяция дает описание некоторого общего будущего развития объекта прогнозирования. Причем если развитие в прошлом носило перманентно скачкообразный характер, то при достаточно продолжительном периоде наблюдений скачки оказываются «зафиксированными» в самом тренде, и последний опять-таки можно применить в прогнозировании.

Проведем прогнозирование на основе экстраполяции лучшей формы тренда (линейной) для экспорта за период 2001-2007 гг:

Напомним, что у текущей переменной 7 уровней ряда, обозначенных натуральными числами. Соответственно прогноз динамики экспорта в 2008 (t=8) составит:

(млрд. долл)

Проведем прогнозирование на основе экстраполяции лучшей формы тренда (линейной) для импорта за период 2001-2007 гг:

Напомним, что у текущей переменной 7 уровней ряда, обозначенных натуральными числами. Соответственно прогноз динамики импорта в 2008 (t=8) составит:

(млрд. долл)

Экстраполяция дает возможность получить точечное значение прогноза, что может быть признано удовлетворительным только при наличии функциональной зависимости. Однако для экономических явлений характерна корреляционная зависимость и переменные, как правило, являются непрерывными. Следовательно, указание точечных значений прогноза, строго говоря, лишено содержания. Отсюда следует, что прогноз должен быть дан в виде интервала значений, т.е. необходимо определение доверительного интервала прогноза.

Доверительные интервалы прогноза

При составлении прогноза погрешность имеет следующие источники:

§ выбор формы кривой, характеризующей тренд, содержит элемент субъективизма. Во всяком случае, часто нет твердой основы для того, чтобы утверждать, что выбранная форма кривой является единственно возможной, а тем более лучшей для экстраполяции в данных конкретных условиях;

§ оценивание параметров кривых (иначе говоря, оценивание тренда) производится на основе ограниченной совокупности наблюдений, каждое из которых содержит случайную компоненту. В силу этого параметрам кривой, а, следовательно, и ее положению в пространстве свойственна некоторая неопределенность;

§ тренд характеризует средний уровень ряда на каждый момент времени. Отдельные наблюдения, как правило, отклонялись от него в прошлом.

Естественно ожидать, что подобного рода отклонения будут происходить и в будущем.

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:

где - средняя квадратическая ошибка тренда;

Расчетное значение y t ;

Значение t-статистики Стьюдента.

В STATISTICA при расчете доверительных интервалов прогноза величину среднего квадратического отклонения S y можно определить, воспользовавшись таблицей дисперсионного анализа. Рассчитанное в ячейке Residual Mean Squares значение соответствует подкоренному выражению в формуле для S y , то есть остаточной дисперсии. Остается только извлечь из него квадратный корень.

Для экспорта (см. таблицу 77), для импорта (см. таблицу 80).

Значит, для экспорта S y = 18,11,для импорта S y = 25,45.

Значение коэффициента доверия t находим по таблице Стьюдента с учетом доверительной вероятности 95%. При использовании линейной и степенной функций число степеней свободы равно 4, соответственно значение критерия равно 2,776.

Таким образом, доверительный интервал прогноза для экспорта на 2008 год определяется как:

Этот прогноз можно интерпретировать следующим образом: количество экспорта Японии в 2008 году с вероятностью 95% будет составлять от 704,542 млрд. долл. до 805,089 млрд. долл.

Доверительный интервал прогноза для импорта на 2008 год определяется как:

Этот прогноз можно интерпретировать следующим образом: количество импорта Японии в 2008 году с вероятностью 95% будет составлять от 596,072 млрд. долл. до 737,371 млрд. долл.

Графическое представление результатов прогнозирования

Завершающим этапом прогнозирования является построение графических изображений, дающих представление о точности прогноза и наглядно демонстрирующих размах доверительных интервалов.

Таблица 89. Данные прогнозирования для экспорта

Рис. 63.

Таблица 90. Данные прогнозирования для экспорта

Рис. 64.

К сожалению, в нашем случае реальные значения вышли за пределы доверительного интервала прогноза, что лишний раз подчёркивает трудности выбора модели тренда.

Экстраполяция на основе среднего темпа роста и среднего абсолютного прироста

В данном пункте рассмотрим прогнозирование на основе среднего темпа роста. Значения будущих периодов получают, руководствуясь формулой:

где - средний темп роста; - уровень, принятый за базу для экстраполяции.

Средний темп роста определяется как:

где y n - данные за последний год периода, а y 1 - данные по первому году в рассматриваемом периоде.

Рассчитаем для экспорта:

Доверительный интервал:

Таблица 91. Расчеты по формуле, средний темп роста для экспорта Японии

КОНТРОЛЬНАЯ РАБОТА

по дисциплине «Планирование и прогнозирование

в условиях рынка»

на тему: Доверительные интервалы прогноза

Оценка адекватности и точности моделей

Глава 1. Теоретическаячасть

Доверительные интервалы прогноза. Оценка адекватности и точности моделей

1.1 Доверительные интервалы прогноза

Заключительным этапом применения кривых роста является экстраполяция тенденции на базе выбранного уравнения. Прогнозные значения исследуемого показателя вычисляют путем подстановки в уравнение кривой значений времени t , соответствующих периоду упреждения. Полученный таким образом прогноз называют точечным, так как для каждого момента времени определяется только одно значение прогнозируемого показателя.

На практике в дополнении к точечному прогнозу желательно определить границы возможного изменения прогнозируемого показателя, задать "вилку" возможных значений прогнозируемого показателя, т.е. вычислить прогноз интервальный.

Несовпадение фактических данных с точечным прогнозом, полученным путем экстраполяции тенденции по кривым роста, может быть вызвано:

1. субъективной ошибочностью выбора вида кривой;

2. погрешностью оценивания параметров кривых;

3. погрешностью, связанной с отклонением отдельных наблюдений от тренда, характеризующего некоторый средний уровень ряда на каждый момент времени.

Погрешность, связанная со вторым и третьим источником, может быть отражена в виде доверительного интервала прогноза. Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде:

где n- длина временного ряда;

L -период упреждения;

y n + L -точечный прогноз на момент n+L;

t a - значение t-статистики Стьюдента;

S p - средняя квадратическая ошибка прогноза.

Предположим, что тренд характеризуется прямой:

Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность. Погрешность параметра а о приводит к вертикальному сдвигу прямой, погрешность параметра a 1 - к изменению угла наклона прямой относительно оси абсцисс. С учетом разброса конкретных реализаций относительно линий тренда, дисперсию можно представить в виде:

(1.2.),

где - дисперсия отклонений фактических наблюдений от расчетных;

t 1 - время упреждения, для которого делается экстраполяция;

t 1 = n + L ;

t - порядковый номер уровней ряда, t = 1,2,..., n;

Порядковый номер уровня, стоящего в середине ряда,

Тогда доверительный интервал можно представить в виде:

(1.3.),

Обозначим корень в выражении (1.3.) через К. Значение К зависит только от n и L, т.е. от длины ряда и периода упреждения. Поэтому можно составить таблицы значений К или К*= t a K . Тогда интервальная оценка будет иметь вид:

(1.4.),

Выражение, аналогичное (1.3.), можно получить для полинома второго порядка:

(1.5.),

(1.6.),

Дисперсия отклонений фактических наблюдений от расчетных определяется выражением:

(1.7.),

где y t - фактические значения уровней ряда,

Расчетные значения уровней ряда,

n - длина временного ряда,

k - число оцениваемых параметров выравнивающей кривой.

Таким образом, ширина доверительного интервала зависит от уровня значимости, периода упреждения, среднего квадратического отклонения от тренда и степени полинома.

Чем выше степень полинома, тем шире доверительный интервал при одном и том же значении S y , так как дисперсия уравнения тренда вычисляется как взвешенная сумма дисперсий соответствующих параметров уравнения

Рисунок 1.1. Доверительные интервалы прогноза для линейного тренда

Доверительные интервалы прогнозов, полученных с использованием уравнения экспоненты, определяют аналогичным образом. Отличие состоит в том, что как при вычислении параметров кривой, так и при вычислении средней квадратической ошибки используют не сами значения уровней временного ряда, а их логарифмы.

По такой же схеме могут быть определены доверительные интервалы для ряда кривых, имеющих асимптоты, в случае, если значение асимптоты известно (например, для модифицированной экспоненты).

В таблице 1.1. приведены значения К* в зависимости от длины временного ряда n и периода упреждения L для прямой и параболы. Очевидно, что при увеличении длины рядов (n ) значения К* уменьшаются, с ростом периода упреждения L значения К* увеличиваются. При этом влияние периода упреждения неодинаково для различных значений n : чем больше длина ряда, тем меньшее влияние оказывает период упреждения L .

Таблица 1.1.

Значения К* для оценки доверительных интервалов прогноза на основе линейного тренда и параболического тренда при доверительной вероятности 0,9 (7).

Линейный тренд	Параболический тренд
Длина ряда (п)	Период упреждения (L)	длина ряда (п)	период упреждения (L)
7	2,6380 2,8748 3,1399	7	3,948 5,755 8,152
8	2,4631 2,6391 2,8361	8	3,459 4,754 6,461
9	2,3422 2,4786 2,6310	9	3,144 4,124 5,408
10	2,2524 2,3614 2,4827	10	2,926 3,695 4,698
11	2,1827 2,2718 2,3706	11	2,763 3,384 4,189
12	2,1274 2,2017 2,2836	12	2,636 3,148 3,808
13	2,0837 2,1463 2,2155	13	2,536 2,965 3,516
14	2,0462 2,1000 2,1590	14	2,455 2,830 3,286
15	2,0153 2,0621 2,1131	15	2,386 2,701 3,100
16	1,9883 2,0292 2,0735	16	2,330 2,604 2,950
17	1,9654 2,0015 2,0406	17	2,280 2,521 2,823
18	1,9455 1,9776 2,0124	18	2,238 2,451 2,717
19	1,9280 1,9568 1,9877	19	2,201 2,391 2,627
20	1,9117 1,9375 1,9654	20	2,169 2,339 2,549
21	1,8975 1,9210 1,9461	21	2,139 2,293 2,481
22	1,8854 1,9066 1,9294	22	2,113 2,252 2,422
23	1,8738 1,8932 1,9140	23	2,090 2,217 2,371
24	1,8631 1,8808 1,8998	24	2,069 2,185 2,325
25	1,8538 1,8701 1,8876	25	2,049 2,156 2,284

Глава 2. Практическая часть

Задание 1.5. Использование адаптивных методов в экономическом прогнозировании

1. Рассчитать экспоненциальную среднюю для временного ряда курса акций фирмы ЮМ. В качестве начального значения экспоненциальной средней взять среднее значение из 5 первых уровней ряда. Значение параметра адаптации а принять равным 0,1.

Таблица 1.2.

Курс акций фирмы IBM

t	y t	t	y t	t	y t
1	510	11	494	21	523
2	497	12	499	22	527
3	504	13	502	23	523
4	510	14	509	24	528
5	509	15	525	25	529
6	503	16	512	26	538
7	500	17	510	27	539
8	500	18	506	28	541
9	500	19	515	29	543
10	495	20	522	30	541

2. По данным задания №1 рассчитать экспоненциальную среднюю при значении параметра адаптации а равным 0,5. Сравнить графически исходный временной ряд и ряды экспоненциальных средних, полученные при а =0,1 и а =0,5. Указать, какой ряд носит более гладкий характер.

3. Прогнозирование курса акций фирмы IBM осуществлялось на основе адаптивной полиномиальной модели второго порядка

где - период упреждения.

На последнем шаге получены следующие оценки коэффициентов:

На 1 день вперед (=1);

На 2 дня вперед (=2).

Решение задания 1.5

1. Определим

Найдем значения экспоненциальной средней при а =0,1.

. а =0,1 – по условию;

; S 1 = 0,1 х 510 + 0,9 х 506 = 506,4;

; S 2 = 0,1 х 497 + 0,9 х 506,4 = 505,46;

; S 3 = 0,1 х 504 + 0,9 х 505,46 = 505,31 и т.д.

а =0,5 – по условию.

; S 1 = 0,5 х 510 + 0,5 х 506 = 508;

; S 2 = 0,5 х 497 + 0,5 х 508 = 502,5 и т.д.

Результаты расчетов представлены в таблице 1.3.

Таблица 1.3.

Экспоненциальные средние

t	Экспоненциальная средняя		t	Экспоненциальная средняя
t	а =0,1	а =0,5	t	а =0,1	а =0,5
1	506,4	508	16	505,7	513,3
2	505,5	502,5	17	506,1	511,7
3	505,3	503,2	18	506,1	508,8
4	505,8	506,6	19	507,0	511,9
5	506,1	507,8	20	508,5	517
6	505,8	505,4	21	509,9	520
7	505,2	502,7	22	511,6	523,5
8	504,7	501,4	23	512,8	523,2
9	504,2	500,7	24	514,3	525,6
10	503,4	497,8	25	515,8	527,3
11	502,4	495,9	26	518,0	532,7
12	502,0	497,5	27	520,1	525,8
13	502,0	499,7	28	522,2	538,4
14	502,7	504,4	29	524,3	540,7
15	505,0	514,7	30	525,9	540,9

Рисунок 1.2. Экспоненциальное сглаживание временного ряда курса акций: А – фактические данные; В – экспоненциальная средняя при альфа = 0,1; С – экспоненциальная средняя при альфа = 0,5

При а =0,1 экспоненциальная средняя носит более гладкий характер, т.к. в этом случае в наибольшей степени поглощаются случайные колебания временного ряда.

3. Прогноз по адаптивной полиномиальной модели второго порядка формируется на последнем шаге, путем подстановки в уравнение модели последних значений коэффициентов и значения - времени упреждения.

Прогноз на 1 день вперед (= 1):

Прогноз на 2 дня вперед (= 2):

Список используемой литературы

1. Дуброва Т.А. Статистические методы прогнозирования в экономике: Учебное пособие / Московский государственный университет экономики, статистики и информатики. – М.: МЭСИ, 2003. – 52с.

2. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование М.: Финансы и статистика, 2001.

3. Лукашин Ю.П. Регрессионные и адаптивные методы прогнозирования. Учебное пособие. – М.: МЭСИ, 1997.