[ «Статистические методы прогнозирования в экономике Учебное пособие Т.А. Дуброва Практикум Тесты Программа Руководство Т.А. Дуброва по изучению дисциплины М.Ю. Архипова Москва, 2004 УДК 519.22 ББК 22.172 Д 797 ...»
Использовать критерий Дарбина-Уотсона.
Проверять нормальность распределения остаточной компоненты.
Выводить выражения для доверительных интервалов полиномов невысоких степеней.
Использовать статистические пакеты для решения поставленных задач.
1. Дуброва Т.А. Статистические методы прогнозирования в экономике. МЭСИ (МВБШ).
— М.,1999.
2. Дуброва Т.А. Статистические методы прогнозирования. УПП, МЭСИ-М., 2004.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
3. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред.А. Г. Гранберга). М., «Финансы и статистика», 1990.
4. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева).
М., «Юнити», 1999.
5. Андерсон Т. Статистический анализ временных рядов. М., «Мир», 1976.
6. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М., «Юнити», 1998.
7. Кендэл М. Временные ряды. М., «Финансы и статистика», 1981.
8. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. М., «Статистика», 1973.
9. Лугачев М.И., Ляпунцов Ю.П. Методы социально-экономического прогнозирования.
— М., Экономический факультет МГУ, ТЕИС,1999.
10. Половников В. А. Анализ и прогнозирование транспортной работы морского флота.
М., «Транспорт», 1983.
11. Четыркин Е. Н. Статистические методы прогнозирования. М., «Статистика», 1975.
12. Льюис К.Д. Методы прогнозирования экономических показателей. «Финансы и статистика», 1986.
1. http://www.infosport.ru/press/tpfk/1997N7/p31-37.htm 2. http://strategy.narod.ru/avtorev/statdem.htm 3. http://www.ocnit.tsu.tula.ru/ecology/Book/ecology_book.html 4. http://www.sbcinfo.ru/articles/7th_1999conf/2_30.htm 5. http://www.lenexpo.spb.ru/ex-wc/seminar_SPIIRAN/kos_w97.htm 6. http://www.setri.spb.ru/rus/conference/i_09.html Выполните задания и ответьте на вопросы:
Для чего необходимо проводить проверку модели на адекватность реальному процессу и оценивать ее точность?
Как проверить наличие автокорреляции в остатках?
Какие Вы знаете характеристики точности моделей?
Как оценивать доверительные интервалы прогнозов, полученных по полиномам первого и второго порядка?
Занятие 1.
Тема: Проверка точности и адекватности построенных моделей.
Решение задач.
Занятие 2.
Тема: Построение доверительных интервалов прогнозов.
Решение задач.
Практические занятия проходят в компьютерных классах и посвящены проверке полученных моделей на адекватность изучаемому процессу, оцениванию их точности с использованием пакетов программ STATISTICA и SPSS.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Тема 5. Статистический анализ и прогнозирование периодических колебаний Изучение данной темы базируется на понимании студентами сезонности и периодичности экономических процессов. В теме рассматриваются различные математические методы, позволяющие выявлять наличие периодической составляющей во временном ряду, оценивать уровень сезонности, осуществлять фильтрацию периодических составляющих и их моделирование.Методы выявления периодических составляющих во временном ряду В рамках данной темы рассматриваются различные методы выявления периодической составляющей во временном ряду (критерий пиков и ям, дисперсионный и гармонический критерий и др.).
Также следует рассмотреть возможности выявления и исследования периодических колебаний с помощью спектрального анализа, целесообразно провести сравнительный анализ методов вычисления спектральных характеристик.
Методы моделирования и прогнозирования тренд-сезонных процессов Следует рассмотреть понятия индексов сезонности, способы их оценивания.
Необходимо сконцентрировать внимание на итеративных методах фильтрации периодической компоненты, методах анализа динамики сезонной волны и аналитическом выравнивании периодической составляющей.
Полезно остановиться на моделировании сезонных колебаний с помощью фиктивных переменных.
Особое внимание следует уделить прогнозированию тренд-сезонных процессов с учетом характера сезонной составляющей (аддитивного или мультипликативного).
Изучив тему 5, студенты должны знать:
• Методы выявления периодических составляющих во временных рядах;
• Методы аналитического выравнивания периодических составляющих;
• Методы фильтрации периодической компоненты;
• Статистические методы оценивания уровня сезонности;
• Методы расчета индексов сезонности;
• Как провести спектральный анализ временного ряда.
Изучив тему 5, студенты должны уметь:
Выявлять периодические составляющие во временных рядах.
Проводить фильтрацию периодической компоненты.
Рассчитывать индексы сезонности.
Проводить спектральный анализ временного ряда.
Осуществлять аналитическое выравнивание периодических составляющих.
Проводить сезонную корректировку временных рядов.
Моделировать и прогнозировать тренд-сезонные процессы с учетом характера сезонности.
Изучив тему 5, студенты должны получить навыки анализа и прогнозирования периодических колебаний во временном ряду.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
1. Дуброва Т.А. Статистические методы прогнозирования. — М.:.ЮНИТИ-ДАНА, 2003.2. Дуброва Т.А. Статистические методы прогнозирования. УПП, МЭСИ-М., 2004.
3. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред.
А. Г. Гранберга). М., «Финансы и статистика», 1990.
4. Андерсон Т. Статистический анализ временных рядов. М., «Мир», 1976.
5. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows.
М., «Финансы и статистика», 1999.
6. Кендэл М. Временные ряды. М., «Финансы и статистика», 1981.
7. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. М., «Статистика», 1973.
Занятие Тема: Выявление, моделирование и прогнозирование периодических колебаний во временном ряду.
Решение задач.
Занятие 2.
Тема: Сезонная декомпозиция (корректировка) временных рядов.
Решение задач.
Практические занятия проходят в компьютерных классах с использованием пакетов программ STATISTICA и SPSS.
Выполните задания и ответьте на вопросы:
Почему возникла необходимость изучения данной темы?
Какие методы выявления периодических колебаний Вы знаете?
Как проводить фильтрацию периодической компоненты?
Какие Вы знаете статистические методы оценки уровня сезонности?
Для чего используется спектральный анализ временных рядов?
Тема 6. Использование адаптивных методов прогнозирования Адаптивными называются методы прогнозирования, позволяющие строить самокорректирующиеся (самонастраивающиеся) экономико-математические модели. Эти модели способны оперативно реагировать на изменение условий путем учета прогноза, сделанного на предыдущем шаге, и учета различной информационной ценности уровней ряда.
Данная тема знакомит студентов с различными видами адаптивных моделей временных рядов.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
В рамках данной темы особое внимание следует обратить на преимущества адаптивных моделей при краткосрочном прогнозировании:— способность моделей учитывать различную информационную ценность уровней ряда (старение информации) — возможность моделей реагировать на степень расхождения прогнозных оценок с фактическими значениями.
Также целесообразно рассмотреть обобщенную схему построения адаптивных моделей.
В рамках данной темы рассматриваются вопросы экспоненциального сглаживания, способы задания начальных условий и выбор постоянной сглаживания; модификация экспоненциального сглаживания в методе Вейда.
Также обсуждаются модели линейного роста:
двухпараметрическая модель Ч.Хольта;
трехпараметрическая модель Бокса и Дженкинса.
В этом же разделе следует рассмотреть метод гармонических весов; вопросы, связанные с аппроксимацией полиномиальных трендов с помощью многократного сглаживания, адаптивные полиномиальные модели 0, 1, 2 порядков.
Большой практический интерес представляют модели с адаптивными параметрами адаптации. При изучении этого комплекса вопросов следует уделить внимание следящему контрольному сигналу, модели Тригга-Лича. Также целесообразно рассмотреть подходы, связанные с адаптацией параметров модели методом эволюции и методом эволюционного планирования.
Большой класс образуют сезонные адаптивные модели.
Следует рассмотреть общую характеристику сезонных адаптивных моделей, а также модель Уинтерса с мультипликативной сезонностью, модель Хольта-Уинтерса с мультипликативной сезонностью и линейным ростом, аддитивную модель сезонных явлений Тейла-Вейджа, альтернативные виды адаптивных сезонных моделей.
Изучив тему 6, студенты должны знать:
• Что такое адаптивные модели временных рядов.
• Преимущества адаптивных моделей при краткосрочном прогнозировании.
• Процедуру экспоненциального сглаживания.
• Сезонные адаптивные модели.
• Класс адаптивных полиномиальных моделей, опирающийся на многократное сглаживание.
Изучив тему 6, студенты должны уметь:
Строить прогнозы, применяя широкий спектр адаптивных моделей временных рядов.
Использовать современные пакеты прикладных программ для реализации адаптивных методов.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Проводить идентификацию моделей.Оценивать с помощью статистических критериев точность и адекватность полученных моделей.
Изучив тему 6, студенты должны получить навыки использования адаптивных моделей временных рядов в своей профессиональной деятельности.
1. Боровиков В. П., Ивченко Г.И. «Прогнозирование в системе STATISTICA в среде WINDOWS». — М., Финансы и статистика, 2. Льюис К.Д. Методы прогнозирования экономических показателей. — М., Финансы и статистика, 3. Лукашин Ю.П. Регрессионные и адаптивные методы прогнозирования. Учебное пособие. — М.: МЭСИ, 1997.
4. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.
5. Дуброва Т.А. Статистические методы прогнозирования. — М., ЮНИТИ-ДАНА, 2003.
6. Дуброва Т.А. Статистические методы прогнозирования. УПП, МЭСИ-М., 2004.
7. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред.
А. Г. Гранберга). М., «Финансы и статистика», 1990.
8. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева).
М., «Юнити», 1999.
1. http://www.econ.msu.ru/kaf/DEI/books/prognoz/lec 13.html 2. http://www.bsu.unibel.by/fpmi/bsa/ppp.htm 3. http://www.tvp.ru/ourizd/oppm1996.htm 4. http://vega.math.spbu.ru/caterpillar/en/intro.html 5. http://www.tstu.ru/koi/tgtu/publ/1996/w96_35.htm 6. http://comsci.dsu.dp.ua/russian/curriculums/content/T_chos27.htm 7. http://www.nes.ru/~sanatoly/CV2000rus.htm Занятие Тема: Модели экспоненциального сглаживания.
Решение задач.
Занятия 2-4.
Тема: Модели линейного роста.
Модели с адаптивными параметрами адаптации.
Сезонные адаптивные модели.
Практические занятия проводятся с использованием пакетов программ STATISTICA и SPSS на богатом статистическом материале. Например, рассматриваются модели прогнозирования важнейших показателей развития топливно-энергетических отраслей промышленности Российской Федерации, модели прогнозирования объемов пассажирских авиаперевозок, объемов продаж и производства различных видов продукции.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
На семинарских занятиях студенты осуществляют идентификацию моделей, используют современные пакеты прикладных программ для реализации адаптивных методов, оценивают с помощью статистических критериев точность и адекватность полученных моделей на ретроспективном участке, рассчитывают прогнозы в реальном режиме времени и проводят их содержательную экономическую интерпретацию.Выполните задания и ответьте на вопросы:
Почему необходима эта тема при изучении дисциплины?
Напишите формулу модели экспоненциального сглаживания.
В чем состоит модификация процедуры экспоненциального сглаживания в методе Вейда?
Что общего и в чем различие между моделью Хольта-Уинтерса и Тейла-Вейджа?
Запишите интервал, в пределах которого изменяются параметры адаптации экспоненциального сглаживания.
Как выглядит адаптивная модель прогнозирования, учитывающая аддитивную сезонность и линейный рост?
Как влияет увеличение значения параметра адаптации на результат экспоненциального сглаживания?
Какие модели линейного роста Вы знаете?
Тема 7. Модели стационарных временных рядов и их идентификация.
Стационарные временные ряды и их основные характеристики Данная тема знакомит студентов с понятиями стационарных временных рядов.
Студенты должны четко представлять определение стационарности в широком смысле (weak stationary) и стационарности в узком смысле (strictly stationary).
В качестве примера стационарности следует рассмотреть временные ряды, образующие белый шум.
При изучении данной темы необходимо сконцентрировать внимание на простейших вариантах линейного авторегрессионного процесса:
— моделях авторегрессии первого порядка АР(1) (Марковских процессах);
— моделях авторегрессии второго порядка АР(2) (процессах Юла).
Также следует остановиться на условиях стационарности временных рядов, описываемых с помощью АР(p) моделей.
Особое внимание следует уделить идентификации АР(p) моделей с помощью анализа автокорреляционных и частных автокорреляционных функций.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
В рамках данной темы изучаются характеристики процесса CC(q), анализируются модели скользящего среднего первого и второго порядка (СС(1) и СС(2) модели).Особое внимание следует уделить идентификации СС(q) моделей с помощью анализа автокорреляционных и частных автокорреляционных функций.
Авторегрессионные модели со скользящими средними в остатках АРСС(p, q) Данный раздел знакомит студентов с определением, свойствами и оценкой параметров модели AРCC(p, q), причем целесообразно начать изучение с простейшего смешанного процесса AРCC(1,1).
Следует рассмотреть условия стационарности и обратимости процесса AРCC(p, q), а также возможность идентификации AРCC(p, q) моделей с помощью анализа автокорреляционных и частных автокорреляционных функций.
Модель авторегрессии-проинтегрированного скользящего среднего Данная тема знакомит студентов с понятием нестационарных временных рядов, в том числе с понятием нестационарных однородных временных рядов.
Необходимо подробно остановиться на основных приемах тестирования исходных данных на стационарность, а также на традиционных процедурах перехода к стационарным рядам.
Методология построения моделей Бокса-Дженкинса (моделей авторегрессии-проинтегрированного скользящего среднего — АРПСС) идентификация модели;
оценивание параметров модели;
диагностическая проверка адекватности модели;
использование модели для прогнозирования.
Особое внимание при изучении данной темы необходимо уделить выбору вида модели и оценке ее адекватности с помощью различных статистических характеристик и критериев.
В данной теме кроме модели Бокса-Дженкинса или модели АРПСС (p, d, q) также следует рассмотреть сезонный вариант модели АРПСС (p, d, q) (PS, DS, QS), содержащий дополнительные параметры.
PS — сезонный параметр авторегрессии;
Ds — порядок сезонной производной;
QS — cезонный параметр скользящего среднего.
Следует обратить внимание на методы идентификации модели, приемы исследования ее «качества», а также необходимо получить практические навыки построения моделей этого класса с помощью современных пакетов прикладных программ.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Изучив тему 7, студент должен знать:• Понятия стационарности в широком смысле (weak stationary) и стационарности в узком смысле (strictly stationary).
• Различные классы моделей, используемые для прогнозирования стационарных временных рядов.
• Методы идентификации моделей авторегрессии, скользящего среднего, а также смешанных моделей.
• Понятие нестационарных однородных временных рядов.
• Основные приемы тестирования исходных данных на стационарность.
• Традиционные процедуры перехода к стационарным рядам.
• Методологию построения моделей Бокса-Дженкинса.
Изучив тему 7, студент должен уметь:
Проводить идентификацию стационарных временных рядов.
Применять модели стационарных рядов для прогнозирования экономических показателей.
Проводить идентификацию моделей авторегрессии, моделей скользящего среднего и авторегрессионных моделей со скользящими средними в остатках, использовать их при прогнозировании.
Использовать на практике методологию Бокса-Дженкинса построения моделей нестационарных временных рядов.
Применять статистические пакеты для решения задач прогнозирования стационарных и нестационарных показателей.
Изучив тему 7, студенты должны получить навыки идентификации и применения различных моделей для прогнозирования экономических процессов, используя в профессиональной деятельности для этих целей статистические пакеты программ, такие как:
STATISTICA, SPSS и др.
1. Дуброва Т.А. Статистические методы прогнозирования. — М., ЮНИТИ-ДАНА, 2003.
2. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.
3. Льюис К.Д. Методы прогнозирования экономических показателей. — М., «Финансы и статистика», 4. Greene W.H. Econometric Analysis, 4th ed., Prentice Hall, 1999.
5. Pindyck R. S., Rubinfeld D. L. Econometric models. Economic forecasts, 4th ed., McGrawHill, 1998.
6. Боровиков В. П., Ивченко Г.И. «Прогнозирование в системе STATISTICA в среде WINDOWS». — М., «Финансы и статистика», 7. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М.;
ЮНИТИ,
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
1. http://www.econ.msu.ru/kaf/DEI/books/prognoz/lec13.html 2. http://www.bsu.unibel.by/fpmi/bsa/ppp.htm 3. http://vega.math.spbu.ru/caterpillar/en/intro.html 4. http://iai.dn.ua/general/ai_annot.php 5. http://www.biophys.msu.ru/scripts/trans.pl/rus/cyrillic/awse/CONFER 6. http://ecfor.rssi.ru/0497_r_k.htm 7. http://www.codenet.al.ru/progr/packing/arithm/arithm10.htm 8. http://vm.fesma.ru/Gloss/Ag.htm 9. http://bytic.ttk.ru/cue99M/cz586tufhu.html 10. http://www.biophys.msu.ru/scripts/trans.pl/rus/cyrillic/awse/CONFER/MCE 00/345.ht Занятие Тема: Модели авторегрессии р-го порядка.Занятие Тема: Модели скользящего среднего порядка q.
Занятие Тема: Авторегрессионные модели со скользящими средними в остатках.
Занятие Тема: Прогнозирование нестационарных временных рядов с помощью методологии Бокса-Дженкинса.
Что такое стационарные временные ряды в широком смысле (weak stationary)?
Какие Вы знаете классы моделей для прогнозирования стационарных временных рядов?
Когда используются модели авторегрессии-проинтегрированного скользящего среднего?
Что такое стационарные временные ряды в узком смысле (strictly stationary)?
Какие приемы тестирования исходных данных на стационарность Вы знаете?
Назовите традиционные процедуры перехода к стационарным рядам.
Как проводится идентификации АР(p) моделей с помощью анализа автокорреляционных и частных автокорреляционных функций?
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Тема 8. Применение многофакторных моделей прогнозирования Особенности применения корреляционно-регрессионного анализа Данная тема знакомит студентов с проблемами исследования взаимосвязей социально-экономических показателей. В рамках данной темы рассматриваются основные концепции и предпосылки применения корреляционного и регрессионного анализа, особенности методов многошагового регрессионного анализа при обработке временных рядов, подходы к проведению экономической интерпретации результатов моделирования.Методы объединения частных моделей развития Следует подробно рассмотреть постановку задачи объединения прогнозов, преимущества использования и построения модели обобщающего прогноза.
Целесообразно остановиться на двух основных подходах к построению комбинированных моделей: на построении моделей гибридного и селективного типа. Особого внимания заслуживают критерии обобщения прогнозирующих моделей.
При рассмотрении данной темы большой практический интерес представляет метод Бэйтса-Гренджера (и его обобщение для многомерной модели). Также целесообразно обсудить возможность объединения прогнозов на основе факторного анализа.
Изучив тему 8, студент должен знать:
• Особенности методов многошагового регрессионного анализа при обработке временных рядов.
• Методы объединения частных моделей развития.
• Постановку задачи объединения прогнозов.
• Комбинированные модели гибридного и селективного типа.
• Критерии обобщения прогнозирующих моделей.
• Метод Бэйтса-Гренджера построения обобщающего прогноза.
Изучив тему 8, студент должен уметь:
Интерпретировать результаты многофакторного моделирования.
Проводить постановку задачи объединения прогнозов.
Использовать критерии обобщения прогнозирующих моделей.
Применять корреляционно-регрессионные методы для моделирования и анализа поведения временных рядов.
Изучив тему 8, студенты должны получить навыки применения многофакторных моделей прогнозирования экономических процессов, используя в профессиональной деятельности для этих целей статистические пакеты программ, такие как: STATISTICA, SPSS и др.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
1. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред.А. Г. Гранберга). М., «Финансы и статистика», 1990.
2. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева).
М., «Юнити», 1999.
3. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. М., «Юнити», 1998.
4. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows.
М., «Финансы и статистика», 1999.
5. Кендэл М. Временные ряды. М., «Финансы и статистика», 1981.
6. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. М., «Статистика», 1973.
7. Лугачев М.И., Ляпунцов Ю.П. Методы социально-экономического прогнозирования.
— М., Экономический факультет МГУ, ТЕИС,1999.
8. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003.
9. Льюис К.Д. Методы прогнозирования экономических показателей. — М., Финансы и статистика, 10. Greene W.H. Econometric Analysis, 4th ed., Prentice Hall, 1999.
11. Pindyck R. S., Rubinfeld D. L. Econometric models. Economic forecasts, 4th ed., McGrawHill, 1998.
1. http://www.bsu.unibel.by/fpmi/bsa/ppp.htm 2. http://vega.math.spbu.ru/caterpillar/en/intro.html 3. http://iai.dn.ua/general/ai_annot.php 4. http://www.biophys.msu.ru/scripts/trans.pl/rus/cyrillic/awse/CONFER 5. http://ecfor.rssi.ru/0497_r_k.htm 6. http://www.codenet.al.ru/progr/packing/arithm/arithm10.htm 7. http://vm.fesma.ru/Gloss/Ag.htm 8. http://bytic.ttk.ru/cue99M/cz586tufhu.html 9. http://www.biophys.msu.ru/scripts/trans.pl/rus/cyrillic/awse/CONFER/MCE00/345.htm Занятие Тема: Применение многофакторных моделей прогнозирования.
Решение задач.
Студенты реализуют изученную схему в пакетах прикладных программ.
Назовите основные концепции и предпосылки применения корреляционного и регрессионного анализа В чем заключаются особенности методов многошагового регрессионного анализа при обработке временных рядов?
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Какие характеристики используются при проведении экономической интерпретации результатов многофакторного моделирования?В чем суть комбинированных моделей гибридного и селективного типа?
Назовите критерии обобщения прогнозирующих моделей.
В чем заключаются преимущества использования и построения модели обобщающего прогноза?
Итоговая оценка знаний складывается по результатам тестирований, проводимых как по отдельным темам, так и по результатам изучения всего курса. Принимается во внимание также своевременность и качество выполнения студентами текущих заданий, активность участия на практических занятиях.
7. Список литературы и ссылки на ресурсы ИНТЕРНЕТ ЛИТЕРАТУРА
4. Дуброва Т.А., Бакуменко Л.П. и др. Анализ временных рядов и прогнозирование в системе «Statistica».- М.:МЭСИ, 2002.
3. Дуброва Т.А. Статистические методы прогнозирования. — М.:МЭСИ, 2004.
4. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. - М.: Финансы и статистика, 2003.
5. Четыркин Е. Н. Статистические методы прогнозирования. — М.: Статистика, 1975.
26. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. — М.:
ЮНИТИ, 1998.
27. Андерсон Т. Статистический анализ временных рядов. — М.: Мир, 1976.
28. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование. — М.:
Финансы и статистика, 2001.
29. Бокс Дж.,Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974. — Вып. 1,2.
30. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA® в среде Windows. Основы теории и интенсивная практика на компьютере. — М.: Финансы и статистика, 1999.
31. Боровиков Г.И. Statistica. Анализ и обработка данных в системе WINDOWS. — М.:
Финансы и статистика, 1998.
32. Дуброва Т.А., Павлов Д.Э., Ткачев О.В. Корреляционно-регрессионный анализ в системе Statistica. Учебное пособие. МЭСИ, 1999.
33. Кендэл М. Временные ряды. — М.: Финансы и статистика, 1981.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
34. Кендалл М. Дж. Стьюарт А. Многомерный статистический анализ и временные ряды.— М.: Наука, 1976.
35. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. — М.:
Статистика, 1973.
36. Кремер Н.Ш., Путко Б.А. Эконометрика / Под. ред. проф. Н.Ш. Кремера. — М.:
ЮНИТИ-ДАНА, 2002.
37. Лугачев М.И. Ляпунцов Ю.П. Методы социального прогнозирования. — М.: Экономический факультет МГУ, ТЕИС, 1999.
38. Льюис К.Д. Методы прогнозирования экономических показателей. — М.: Финансы и cтатистика, 1986.
39. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. — М.:
Дело, 2000.
40. Отнес Р., Эноксон Л. Прикладной анализ временных рядов. — М.: Мир, 1982.
41. Половников В. А. Анализ и прогнозирование транспортной работы морского флота. — М.: Транспорт, 1983.
42. Практикум по эконометрике / И.И.Елисеева, С.В.Курышева, Н.М.Гордеенко и др.; Под ред. И.И.Елисеевой. — М.: Финансы и статистика, 2001.
43. Скучалина Л. Н., Крутова Т. А. Организация и ведение базы данных временных рядов.
Система показателей, методы определения, оценки прогнозирования информационных процессов. — М.: ГКС РФ, 1995.
44. Статистическое моделирование и прогнозирование. Учебное пособие. (Под ред.
А. Г. Гранберга). — М.: Финансы и статистика, 1990.
45. Уотшем Т.ДЖ., Паррамоу К. Количественные методы в финансах. / Пер. с англ., под.
ред. М.Р. Ефимовой. — М.: Финансы, ЮНИТИ, 1999.
46. Френкель А. А. Прогнозирование производительности труда: методы и модели. — М.:
Экономика, 1989.
47. Эконометрика / Под ред. И.И.Елисеевой. — М.: Финансы и статистика, 2001.
48. Экономико-математические методы и прикладные модели. (Под ред. В.В. Федосеева).
М.: ЮНИТИ, 1999.
49. Greene W.H. Econometric Analysis, 4th ed., Prentice Hall, 1999.
50. Pindyck R. S., Rubinfeld D. L. Econometric models. Economic forecasts, 4th ed., McGrawHill, 1998.
1. www.gks.ru Госкомстат РФ.
2. www.cbr.ru Центральный Банк Российской Федерации.
3. www.minfin.ru Министерство Финансов РФ.
4. www.cea.gov.ru Центр экономической конъюнктуры при правительстве РФ.
5. www.cea.gov.ru Федеральная комиссия по ценным бумагам.
6. www.rbk.ru Росбизнесконсалтинг.
7. www.akm.ru Агентство AK&M.
8. www.cemi.rssi.ru Центральный экономико-математический институт РАН (ЦЭМИ).
9. www.akdi.ru Агентство AKДИ.
10. www.forecast.ru Центр макроэкономического анализа и прогнозирования при ИНП РАН.
11. www.rtsnet.ru Российская торговая система.
12. www.micex.ru Московская международная валютная биржа.
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
— позволяют строить самокорректирующиеся (самонастраивающиеся) Адаптивные модели экономико-математические модели, которые способны оперативно прогнозирования реагировать на изменение условий путем учета результата прогноза, сделанного на предыдущем шаге, и отражать различную информационную ценность уровней ряда.— ряд наблюдений за значениями некоторого показателя (признака), Временной ряд упорядоченный в хронологической последовательности, т.е. в порядке возрастания временного параметра t. Отдельные наблюдения — мера качества прогноза, характеризующая вероятность того, что Надежность прогноза прогноз оправдывается. Надежность прогноза связана обратной зависимостью при всех прочих равных условиях с шириной доверительного интервала прогноза (см. Прогноз интервальный).
— величина, характеризующая расхождение между фактическим и Ошибка прогноза прогнозным значением показателя. Абсолютная ошибка прогноза ряда. На практике широко используется относительная ошибка прогноза, выраженная в процентах относительно фактического значения показателя. Также используются средние ошибки по модулю (абсолютные и относительные). Очевидно, что все указанные характеристики могут быть вычислены после того, как период упреждения уже окончился, и имеются фактические данные о прогнозируемом показателе или при рассмотрении показателя на ретроспективном участке.
— характеризует быстроту ее реакции на эволюцию в динамике исслеПараметр адаптации дуемого временного ряда. Процесс обучения адаптивной модели модели адаптивной — отрезок времени от момента, для которого имеются последние стаПериод упреждения прогноза относится прогноз. Иногда его называют прогнозируемым периодом.
— научно обоснованное описание возможных состояний объектов в Прогноз состояния. Процесс разработки прогнозов называется прогнозированием. Прогноз можно подразделять в зависимости от целей и задач,
РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ
Прогноз интервальный — прогноз в виде интервала, определяющего совокупность значений прогнозируемой величины. Прогноз интервальный, как правило, определяется на основе расчета доверительных границ прогноза. Ширина доверительного интервала в значительной степени зависит от принятой доверительной вероятности. Чем выше эта вероятность (надежность прогноза), тем шире интервал, но меньше априорная точность прогноза. Прогноз интервальный определяется на основе — представление прогноза показателя в виде единственного значения.Прогноз точечный На основе точечного прогноза определяют прогноз интервальный — временной ряд называется строго стационарным (strictly staСтационарный tionary) или стационарным в узком смысле, если совместное расвременной ряд средние значения и ковариации. Поэтому на практике чаще используется понятие слабой стационарности (weak stationary) или стационарности в широком смысле.
В этом случае стационарность временного ряда связывается с требованиями того, чтобы он имел среднее, дисперсию и ковариацию, не — изменение, определяющее общее направление развития, основную Тренд тенденцию временного ряда. Для определения тренда используются методы выравнивания ряда. Часто применяются методы скользящих дом наименьших квадратов определяются параметры a0 и a1. Параметр a1 определяет средний абсолютный прирост yt.
Тренд yt = abt широко используется в экономике. Параметр b соответствуэкспоненциальный ет среднегодовому темпу роста временного ряда (при анализе данных годовой динамики). Часто оценивание параметров b и а проводится методом наименьших квадратов после линеаризации:
«