Прогнозирование временных рядов

Исследование динамики экономических явлений и процессов, выявление и характеристика основного тренда развития и моделей взаимосвязи дают основания для прогнозирования, т.е. определения будущих размеров уровней показателей, описывающих процессы.

Прогнозирование основывается на предположении, что закономерность развития, действующая в прошлом внутри ряда динамики, сохранится и в прогнозируемом будущем. Такой прогноз основан на перспективной интерполяции.

Теоретической основой распространения тенденции является инертность социально-экономических процессов. Инертность позволяет выявить взаимосвязь между уровнями динамического ряда или между группой связных временных рядов. Надежные результаты прогнозирования временных рядов получают, если уровни ряда динамики сопоставимы и синтезированы на основе единого методологического подхода.

Применение перспективной экстраполяции в практическом прогнозировании основывается на следующих предпосылках:

1) тенденция развития изучаемого явления графически описывается плавной линией;

2) общая тенденция развития явления в будущем существенно не меняется.

Надежность прогноза зависит от того, как точны эти предположения в действительности, а также как точно охарактеризована выявленная закономерность.

Экстраполяция – это начальная стадия построения прогноза. Механическое, без учета условий, предпосылок и содержательного экономического анализа, применение экстраполяции может стать причиной неадекватности выводов.

Чем шире временной горизонт прогноза (чем более долгосрочен прогноз), тем очевиднее недостаточность простого метода экстраполяции в результате изменения тенденции, влияния новых факторов и т.д. В этом случае динамичность экономических процессов противоречит инертности их развития.

Так как исследуемые временные ряды часто имеют недостаточно большую длину , то временной горизонт прогнозирования ограничен. Поэтому, чем короче срок прогнозирования (период упреждения), тем более надежны результаты прогноза. За относительно короткий период условия развития процесса не успевают измениться, что сохраняет характер его динамики.

В зависимости от принципов построения и эмпирических данных ряда выделяются следующие методы прогнозирования:

1) по среднему абсолютному приросту;

2) по среднему темпу роста;

3) на основе численного сглаживания временного ряда;

4) на основе аналитического выравнивания временного ряда.

Прогнозирование по среднему абсолютному приросту может быть выполнено в случае линейной тенденции развития. Этот метод основывается на предположении о стабильности (равномерности) изменения уровней ряда.

Для прогнозирования по среднему абсолютному приросту необходимо определить средний абсолютный прирост и последовательно увеличивать конечный уровень ряда на его величину на требуемое число периодов:

, (23)

где – прогнозируемый уровень ряда; – срок прогноза (период упреждения); – последний уровень ряда, за который рассчитан средний абсолютный прирост .

Следует иметь в виду, что использование среднего абсолютного прироста для прогноза возможно только при условии

,

где ,

.

Прогнозирование по среднему темпу роста осуществляется, когда общая тенденция ряда динамики характеризуется показательной (экспоненциальной) кривой. В этом случае для прогнозирования определяют средний коэффициент роста и возводят его в степень, соответствующую периоду прогнозирования:

. (24)

Если временному ряду соответствует другая закономерность развития, то прогнозные значения, полученные по среднему темпу роста, будут отличаться от рассчитанных другими способами прогнозирования.

Рассмотренные два способа прогнозирования являются самыми простейшими и приближенными.

Хорошие результаты при краткосрочном прогнозировании значений временного ряда на один шаг вперед по времени (для ) дает применение численного сглаживания, например, метода скользящих средних по последним уровням ряда. Для можно воспользоваться формулой

. (25)

На практике наибольшее распространение получил метод прогнозирования на основе аналитического выравнивания временного ряда (на основе уравнения тренда). При этом для получения прогнозного значения продолжают значения независимой переменной времени за границы исследуемого периода. На рис. 9 прогнозная часть графика ряда изображена пунктиром.

Рис. 9. Прогноз ряда по мультипликативной модели

Этот подход прогнозирования предполагает, что уровень ряда динамики формируется под воздействием множества фактором, но при этом отдельно влияние каждого из них не выделяется. Следовательно, тенденция развития связана не с каким-либо фактором, а с течением времени.

Путем подстановки срока прогноза в уравнение тренда получают точечную оценку (в случае цикличности добавляется сезонная компонента). При этом полное совпадение фактического предсказываемого значения и прогнозной оценки маловероятно.

Возникновение отклонений фактических уровней временного ряда от выравненных по уравнению тренда связано со следующими причинами:

1) всегда существует тренд, который дает более точные результаты при описании тенденции, по сравнению с выбранным;

2) тренд, выбранный для прогнозирования, содержит случайную компоненту, так как каждый уровень исходных данных обладает случайной компонентой;

3) выявленная тенденция характеризует движение среднего уровня временного ряда, следовательно, возможны отклонения от него.

При прогнозировании, ввиду приближенного характера прогнозного значения, рекомендуется построение доверительного интервала прогноза. В случае несложных функциональных форм тренда он имеет вид

, (26)

и с вероятностью покрывает предсказываемое значение . Здесь – критическое значение распределения Стьюдента, найденное по таблице по уровню значимости и числу степеней свободы , – длина ряда, – число параметров уравнения тренда, – период упреждения. Остаточная средняя квадратическая ошибка прогноза находится по формуле

. (27)

В случае линейной модели коэффициент определяется по формуле

, (28)

где , – первая и последняя точки временного интервала, на котором проводилось оценивание параметров модели, – середина временного интервала, на котором проводилось оценивание параметров тренда: . Если тренд строился по всему ряду, то .

Для параболического тренда

(29)

В случае отсутствия формулы для расчета коэффициента , полагают, что он равен 1.

Относительная ошибка прогноза

(30)

может быть определена только при достижении точки прогноза (момента времени ), и обычно используется на этапе разработки методики прогнозирования.

Подробнее о способах прогнозирования см. в [1, 2, 4, 6, 7, 9].

Литература

Основная

1. теория статистики: Учебник/Р.А. Шмойлова, В.Г. Минашкин, Н.А. Садовникова, Е.Б. Шувалова; Под ред. Р.А. Шмойловой. – 4-е изд., перераб. и доп. – М.: Финансы и статистика, 2006. – 656 с.

2. Эконометрика: Учебник/И.И. Елисеева, С.В. Курышева, Т.В. Костеева и др.; под ред. И.И. Елисеевой. – 2-е изд., перераб. и доп. – М.: Финансы и статистика, 2005. – 576 с.

3. Практикум по эконометрике: Учеб. пособие/И.И. Елисеева, С.В. Курышева, Н.М. Гордеенко и др.; Под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2003. – 192 с.

Дополнительная

4. Новак Эдвард. Введение в методы эконометрики. Сборник задач: Пер. с польск./Под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2004. – 248 с.

5. Балдин К.В., Быстров О.Ф., Соколов М.М. Эконометрика: Учеб. пособие для вузов – 2-е изд., перераб. и доп. – М.: ЮНИТИ-ДАНА, 2004. - 254 с.

6. Гладилин А.В., Герасимов А.Н., Громов Е.И. Эконометрика: Учеб. пособие. – М.: КНОРУС, 2006.

7. Афанасьев В.Н., Юзбашев М.М, Гуляева Т.И. Эконометрика: Учебник/Под ред. В.Н. Афанасьева. – М.: Финансы и статистика, 2005. – 256 с.

8. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М., Финансы и статистика, 2003.

9. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. – М.: Финансы и статистика, 1999. – 384 с.

10. Вентцель Е.С. Теория вероятностей. – М., 2002.

11. Гмурман В.Е. Теория вероятностей и математическая статистика. – М.: Высшая школа, 1972.

12. Брендт Э.Р. Практика эконометрики: классика и современность. – М.: ЮНИТИ-ДАНА, 2005.

13. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. 2-е изд. – Т.2: Айвазян С.А. Основы эконометрики. – М.: ЮНИТИ-ДАНА, 2001.

14. Кочнева Л.Ф., Милевский А.С. Эконометрика. Часть 2. Множественная регрессия. Учебное пособие. – М.: МИИТ, 2007.

Поиск по сайту: