 |
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция
Математический инструментарий прогнозирования
Математические методы и модели, используемые в задачах стохастического анализа и прогнозирования в бизнесе, могут относиться к самым различным разделам математики: к регрессионному анализу, анализу временных рядов, формированию и оцениванию экспертных мнений, имитационному моделированию, системам одновременных уравнений, дискриминантному анализу, логит- и пробит-моделям, аппарату логических решающих функций, дисперсионному или ковариационному анализу, анализу ранговых корреляций и таблиц сопряженности и т. д. Однако все они объединены тем, что представляют собой различные подходы к решению центральной проблемы многомерного статистического анализа и эконометрики – проблемы статистического исследования зависимостей, которая, как раз, и является базовой проблемой статистического анализа и прогнозирования в бизнесе (ее общая формулировка была приведена в п. 2).
В п. 1 уже было замечено, что среди p + k + l + m компонент анализируемого многомерного признака 
могут быть как количественные, так и ординальные и номинальные переменные. Упомянутые выше подходы к решению центральной проблемы многомерного статистического анализа формировались именно с учетом природы исследуемых переменных. Соответствующая специализация этих подходов отражена в табл. 4. В ней же даны ссылки на литературные источники, в которых можно найти достаточно полное описание этих подходов.
Таблица 4.
Природа результирующих показателей 
| Природа объясняющих переменных 
| Название обслуживающих разделов многомерного статистического анализа | Литературные источники |
| Количественная | Количественная | Регрессионный анализ и системы одновременных уравнений | [1, гл. 15, 17] |
| Количественная | Единственная количественная переменная, интерпретируемая как «время» | Анализ временных рядов | [1, гл. 16] |
| Количественная | Неколичественная (ординальные или номинальные переменные) | Дисперсионный анализ | [4, гл. 13] |
| Количественная | Смешанная (количественные и неколичественные переменные) | Ковариационный анализ, модели типологической регрессии | [4, гл. 13] |
| Неколичественная (ординальные переменные) | Неколичественная (ординальные и номинальные переменные) | Анализ ранговых корреляций и таблиц сопряженности | [1, гл. 11] |
| Неколичественная (номинальные переменные) | Количественная | Дискриминантный анализ, логит- и пробит-модели, кластер-анализ, таксономия, расщепление смесей распределений | [1, гл. 12-15] |
| Смешанная (количественные и неколичественные переменные) | Смешанная (количественные и неколичественные переменные) | Аппарат логических решающих функций, Data Mining | [5] |
Тем не менее, практика статистического анализа и прогнозирования в бизнесе свидетельствует о том, что во всем спектре их математического инструментария бесспорное лидерство (по распространенности и актуальности) принадлежит трем разделам:
- регрессионному анализу;
- анализу временных рядов;
- механизму формирования и статистического анализа экспертных оценок.
Кратко остановимся на каждом из этих разделов.
Поиск по сайту: