Временных рядов. К классу алгоритмических методов выявления тенденций во временных рядах относятся разнообразные процедуры усреднения данных по ряду

К классу алгоритмических методов выявления тенденций во временных рядах относятся разнообразные процедуры усреднения данных по ряду, т.е. построению их сглаженных усредненных значений. Способ усреднения ряда, как правило, и определяет наименование метода. В практике эконометрического моделирования алгоритмические методы сглаживания могут применяться с двумя целями:

- выявление общей тенденции развития ряда;

- прогнозирование тенденции в ряду.

Наиболее широкое применение методы алгоритмического сглаживания находят либо в условиях, когда исследователь имеет дело с так называемыми короткими рядами, либо в условиях высокой нестабильности, хаотичности исследуемой системы, что впрочем, по последствиям, практически адекватно предыдущему случаю.

Методы сглаживания отличаются от традиционно используемых современных методов эконометрического моделирования. Они, например, не требуют подбора "оптимальной модели, " и они вообще не производят "оптимальные прогнозы". Скорее, они просто способ, объясняющий компьютеру как провести сглаженную линию через данные и экстраполировать ее разумным способом, также как мы сделали бы это вручную, исходя из неких интуитивно-визуальных соображений.

При использовании алгоритмических методов сглаживания, мы не пытаемся найти модель, которая лучше всего описывают данные; скорее, мы подгоняем предопределенную модель к данным. Некоторые ученые по этой причине не любят методы сглаживания, однако, они использовались успешно много лет и по серьезным причинам. Эти методы наиболее полезны в ситуации, когда более «мудрые» методы моделирования не могут использоваться. Во-первых, доступные выборки данных иногда очень маленькие. Предположим, например, что мы должны произвести прогноз, основанный на выборке ретроспективных данных, содержащих только четыре наблюдения. Эта ситуация кажется чрезвычайной, но она возникает иногда в практических случаях, например, при прогнозе продаж нового продукта на рынке товаров или услуг. Здесь, число степеней свободы мало настолько, что невозможно оценить значимость любой подобранной модели. Методы алгоритмического сглаживания в предельном случае, напротив, не требуют никакой оценки, или минимальной оценки.

Во-вторых, задача при прогнозировании иногда огромна. Предположим, например, что каждую неделю мы должны предсказать цены огромного числа сырья, материалов и комплектующих некого продукта, например авиалайнера. Снова, такие предположения чрезвычайны, но они происходят на практике. В таких предположениях, даже если ретроспективные данные обширны (хотя в общем случае, конечно, они могут и не быть такими), то нет просто никакого способа обеспечить достаточное внимание, требуемое для оценки и обслуживания множества различных моделей прогноза. Методы сглаживания, напротив, требуют небольшого внимания. Они - один из примеров того, что иногда называют "автоматическими" методами прогноза, и они часто полезны при прогнозировании на основе обширных, часто обновляющихся данных.

Наконец, методы сглаживания производят оптимальные прогнозы в некоторых условиях, которые, оказывается, глубоко связаны с присутствием единичных корней в ряде, по которому строится прогноз, т.е. его скрытыми математическими свойствами. Кроме того, более обоснованные методы производят оптимальные прогнозы только при известных условиях, типа правильной спецификации модели для прогноза.

В заключение следует сказать, что построение доверительных интервалов прогнозов, построенных методами алгоритмического сглаживания, скорее дань традиции, чем строго обоснованная процедура. Процедура их подсчета часто несет в семе элементы эвристик. Рассматриваемые методы могут производить оптимальные точечные прогнозы при некоторых специальных процессах получения данных, но обычно в общем случае мы не предполагаем, что специальные процессы получения данных действительно присутствуют. Вместо этого, методы алгоритмического сглаживания используются как "черные ящики", чтобы произвести точечные прогнозы без попытки выявить стохастическую структуру данных, без выявления наиболее подходящей модели, которая могла бы использоваться, чтобы произвести вероятностно обоснованный надежный интервальный прогноз или прогнозы плотности распределения в дополнении к точечному прогнозу. Однако в дальнейшем будут даны практические рекомендации по оценке доверительных интервалов прогноза, по крайней мере, на один шаг упреждения.

Поиск по сайту: