Использование многофакторных моделей для анализа и прогнозирования развития экономических систем

Одна из важнейших целей моделирования заключается в прогнозировании поведения исследуемого объекта. Обычно термин «прогнозирование» используется в тех ситуациях, когда требуется предсказать состояние системы в будущем. Для регрессионных моделей он имеет, однако, более широкое значение. Как уже отмечалось, данные могут не иметь временной структуры, но и в этих случаях вполне может возникнуть задача оценить значение зависимой переменной для некоторого набора независимых, объясняющих переменных, которых нет в исходных наблюдениях. Именно в этом смысле - как построение оценки зависимой переменной - и следует понимать прогнозирование в эконометрике.

Проблема прогнозирования имеет много различных аспектов. Можно различать точечное и интервальное прогнозирование. В первом случае оценка - это конкретное число, во втором - интервал, в котором истинное значение переменной находится с заданным уровнем доверия. Кроме того, для временных рядов при нахождении прогноза существенно наличие или отсутствие корреляции по времени между ошибками.

При использовании построенной модели для прогнозирования де­лается предположение о сохранении в период прогнозирования сущест­вовавших ранее взаимосвязей переменных.

Для прогнозирования зависимой переменной на l шагов вперед необходимо знать прогнозные значения всех входящих в нее факторов. Их оценки могут быть получены на основе временных экстраполяционных моделей или заданы пользователем. Эти оценки подставляются в модель, и получаются прогнозные оценки.

Построение точечных и интервальных прогнозов на основе регрессионной модели. Какие факторы влияют на ширину доверительного интервала? Для того, чтобы определить область возможных значений результативного показателя, при рассчитанных значениях факторов следует учитывать два возможных источника ошибок: рассеивание наблюдений относительно линии регрессии и ошибки, обусловленные математическим аппаратом построения самой линии регрессии. Ошибки первого рода измеряются с помощью характеристик точности, в частности, величиной . Ошибки второго рода обусловлены фиксацией численного

значения коэффициентов регрессии, в то время как они в действительно­сти являются случайными, нормально распределенными.

Для линейной модели доверительный интервал рассчитывается следующим образом. Оценивается величина отклонения от линии регрессии (обозначим ее буквой U):

(2.1.16)

(2.1.17)

Для модели парной регрессии формула (4.1.16) принимает вид:

(2.1.18)

Коэффициент t_α является табличным значением t-статистики Стьюдента при заданном уровне значимости а и числа наблюдений, l - период прогнозирования. Если исследователь задает вероятность попадания прогнозируемой величины внутрь доверительного интервала, равную 70%, то t_α = 1.05. Если вероятность составляет 95%, то t_α = 1.96, а при 99% t_α =2.65.

Как видно из формулы (4.1.18). величина U прямо пропорциональ­но зависит от точности модели (), коэффициента доверительной веро­ятности (t_α), степени удаления прогнозной оценки фактора Х от среднего значения и обратно пропорциональна объему наблюдений.

В свою очередь

. (2.1.19)

В результате получаем следующий интервал прогноза для шага прогнозирования l:

- верхняя граница прогноза равна Y(n + l) + U(l),

- нижняя граница прогноза равна Y(n + l) + U(l).

Если построенная регрессионная модель адекватна и прогнозные оценки факторов достаточно надежны, то с выбранной пользователем вероятностью можно утверждать, что при сохранении сложившихся за­кономерностей развития прогнозируемая величина попадет в интервал, образованный нижней и верхней границами.

Поиск по сайту: