Что такое метод экстраполяции

Метод экстраполяции

Добавлено в закладки: 0

М етод экстраполяции – это один из главных способов прогноза, который основывается на прогнозировании событий, учитывая анализ показателей, которые имели место в прошлые годы (при этом, не меньше чем за 5 – 8 лет). В данный момент есть приблизительно триста уравнений, которые дают возможность определить тенденции процессов и позволяют оценить линейную простую зависимость явления и квадратичную зависимость.

Экстраполи́рование, экстраполя́ция, (от лат. extrā — снаружи, вне, кроме, за и лат. polire — выправляю, приглаживаю, меняю, изменяю) — это особенный вид аппроксимации, при котором функция аппроксимируется вне заданного интервала, а не меж фиксированными значениями.

Другими словами, экстраполяция — это приближённое определение значений функции в точках, которые лежат вне отрезка, по её значениям в точках.

Методы

Во многих случаях методы экстраполяции похожи с методами интерполяции.

Самый распространённый способ экстраполяции — это параболическая экстраполяция, при которой в точке берётся значение многочлена степени, которая принимает в точке заданные значения. Для параболической экстраполяции применяют интерполяционные формулы.

Применение

Общее значение — это распространение выводов, которые получены из наблюдения над одной частью явления, на его другую часть.

В маркетинге — это распространение выявленных закономерностей развития изучаемого предмета на будущее.

В статистике — это распространение тенденций, установленных в прошлом, на будущий период (экстраполяция во времени используется для перспективных расчетов населения); распространение выборочных данных на прочую часть совокупности, которая не подвергнута наблюдению (экстраполяция в пространстве).

Одним из более распространенных способов краткосрочного прогнозирования экономических явлений — это экстраполяция

Термин “экстраполяция” имеет немного толкований в широком смысле экстраполяция – это способ научного исследования, который заключается в распространении выводов, которые получены из наблюдений за одной частью явления, на а другую его часть В узком смысле – это определение по нескольким данным функции прочих ее значений вне данного ряда за этим рядом.

Прогноз экстраполяции

Экстраполяция заключена в изучении сложившихся в настоящем и прошлом устойчивых тенденций экономического развития и их перенос на будущее

Цель данного прогноза — это показать, к каким итогам можно сделать в будущем, когда передвигаться к нему с аналогичной ускорением или скоростью, что и в прошлом

Прогноз определяет ожидаемые варианты данного экономического развития исходя из гипотезы, что главные факторы и тенденции прошлого периода сберегается на период прогноза или что возможно обосновать и учесть направление их изменений в рассматриваемой перспективе. Такую гипотезу выдвигают, учитывая инертность экономических процессов и явлений.

В прогнозировании экстраполяция используется при изучении временных рядов экстраполяции в общем типе можно представить, как определенное значение функции зависимо от особенностей изменения уровней в рядах динамики способы экстраполяции могут быть сложными и простыми.

Простые способы экстраполяции базируются на предположении относительной устойчивости в будущем абсолютных значений уровней, среднего абсолютного прироста, среднего уровня ряда, среднего темпа роста.

Различные способы экстраполяции

Рассмотрим детальнее названные способы экстраполяции.

При экстраполяции на основании среднего уровня ряда применяется принцип, при котором прогнозируемый уровень равняется среднему значению в прошлом уровней ряда.

В данной ситуации экстраполяция дает точечную прогностическую оценку. Точное совпадение данных оценок с фактическими данными — маловероятное явление. Таким образом, прогноз обязан быть в виде интервала значений.

Полученный доверительный интервал учитывает неопределенность, которая связана с оценкой средней величины, и его использование для прогнозирования увеличивает степень надежности прогноза. Однако недостаток рассматриваемого подходов периода — это то, что доверительный интервал не связывается с периодом предупреждения.

Экстраполяцию по среднему абсолютному приросту можно провести тогда, когда линейной считать общую тенденцию развития явления.

Чтобы рассчитать прогнозное значение, уровень необходимо определить абсолютный средний прирост. Затем, зная уровень ряда динамики, который принимают за основу экстраполяции.

Экстраполяцию по среднему темпу роста можно осуществить, когда есть основания полагать, что суммарная тенденция ряда динамики характеризуется показательной кривой.

Доверительный интервал прогноза по средним темпом роста можно определить лишь в том случае, когда средний темп роста рассчитывают при помощи статистического оценивания параметров экспоненциальной кривой.

Все три рассмотренные способа экстраполяции тренда простейшие, но вместе и самые приближенные.

Сложные способы экстраполяции предусматривают выявление главной тенденции, то есть использование статистических формул, которые описывают тренд.

Способы данной группы возможно разделить на два главных вида: адаптивные и аналитические (кривые роста).

Аналитические способы прогнозирования

В основание аналитических способов прогнозирования (кривых роста) лежит принцип получения при помощи метода самых малых квадратов оценки детерминированной компоненты, которая характеризует главную тенденцию

Адаптивные способы прогнозирования основываются на том, что процесс реализации их заключен в вычислении последовательных во времени значений прогнозируемого показателя, учитывая степень влияния прошлых уровней. К ним относят способы экспоненциальной и текучей средних, способ гармонических весов, способ авторегрессииї.

Способ аналитического выравнивания тренда (способ наименьших квадратов) может быть использован лишь тогда, когда развитие явления довольно хорошо описывают построенную модель и условия, которые определяют тенденцию развития в прошлом, не изменятся существенно в будущем. При выполнении данных требований прогнозирование производится при помощи подстановки в уравнение тренда значений независимой переменной знает величине периода предупреждения.

Процедура создания прогноза по применению аналитического выравнивания тренда включает в себя такие этапы:

1) выбор формы кривой, которая отображает тенденцию;

2) определение показателей, характеризующие количественно тенденции изменений;

3) оценка вероятности прогнозных расчетов

Подбор формы кривой возможно осуществлять на основании построения графика, суммарный тип которого обычно дает возможность установить:

а) имеет динамический ряд показателя выраженную четко тенденцию;

б) если так, то данная тенденция плавная;

в) каков характер тенденции

Отвечая на данные вопросы, нужно помнить, что наружная простота графика ложная. Каждая динамическая задача намного сложнее от статического и каждая точка кривой — это результат изменения явления во времени и пространстве.

Ввиду этого для увеличения достоверности и обоснованности выравнивания для более точного выявления тенденции, которая есть, нужно провести вариантный расчет по некоторым аналитическими функциями и на основании статистических и экспертных оценок определить лучшую форму связей.

На втором этапе нужно определить параметры уравнения связи. Для того, чтобы их найти, применяют способ малых квадратов. В данной ситуации выравнивающая функция будет занимать данное положение среди факт политических значений показателей, при котором общее отклонение точек от функции будет наименьшим.

Обоснованную и достоверную оценку имеющимся результатам можно дать, применяя статистические показатели: средний коэффициент увеличения, коэффициент корреляции, остаточная и общая дисперсия, другой индекс корреляции, коэффициент корреляции ряда отклонений и исходного ряда, определенного по разнице выровненных и фактических по любой аналитической функции.

Для того, чтобы проверить гипотезу об отсутствии или наличии автокорреляции применяют таблицы с критическими значениями коэффициента автокорреляции при разных уровнях значимости. Когда табличное значение коефициэнта автокорреляции больше фактического, то возможно утверждать, что автокорреляция устраняется или отсутствует, а означает, возможно применять формулы для возиожностной оценки значений, которые прогнозируются по этому и точками.

Для прогноза были выбраны такие функции, как логарифмическая, линейная, ступенчатая, полиномиальная и экспоненциальная.

Не все выбранные аналитические функции выравнивают хорошо динамический выходной ряд. Об этом говорит значение индекса (коэффициента) корреляции Для того, чтобы прогнозировать, то есть продолжать сформированные тенденции на ближайшую перспективу, можно использовать лишь те функции, для которых индекс (коэффициент) корреляции больше 0,7 К таковым относят линейную, экспоненциальную и полиномиальную функцию. Последняя имеет самый большой коэффициент корреляции, равен 0,847, и самую малую величину остаточной дисперсией.

Порой, самой приемлемой формой аналитической функции для прогнозирования является полиномиальная функция, которая представлена уравнением:

Подставив в полученное уравнение значения периодов предубеждения, определяем прогнозное значение объема товарооборота на такие три месяца: у25 = 654,83; у = 655,93; у \”- 657,07 тыс грн 26 27

Возможность того, что экономический прогнозируемый показатель в заданный момент времени будет равняться значению, которое отвечает точечной прогноза, почти равняться нулю. Потому к точечному прогнозу границы вероятного изменения прогнозируемого значения показателя.

Заметим, что в полученных при прогнозировании оценок доверительных интервалов необходимо отнестись с осторожностью Это связывается со спецификой динамических рядов Их специфичность заключена в том, что увеличение количества наблюдений в статической совокупности дает возможность получить точные характеристики данной совокупности, в то время как аналогичное удлинение ряда динамики приводит не всегда к похожим результатам, особенно в тех ситуациях, когда ряды динамик применяются для прогнозирования. Данное обстоятельство связывается с тем, что информационная ценность уровней потеряется по мере их удаления от периода предубеждение, то есть означает уровни ряда динамики при прогнозировании неравноценно. Потому параметры уравнений аппроксимирующих кривых роста могут обладать погрешности и изменять собственные оценки при исключении части членов ряда или Анне добавил новых членов ряда динамики, что отображается на точности расчетных значений уровней ряда динамики. Помимо этого, параметры моделей тренда, которые получены способом самых малых квадратов, остаются неизменным и в течение рассматриваемого периода. На практике зачастую встречаются случаи, когда параметры моделей изменяются, а процедуры, которые сглаживают при помощи способа самых малых квадратов не могут определить такие изменения.

Поэтому наиболее эффективными являются адаптивные способы, в которых значимость уровней ряда динамики снижается по мере их удаления от прогнозируемого периода. К ним относят: способ текучих средних, способ экспоненциального сглаживания, способ гармонических весов и прочие, включаются в класс адаптивных способов.

Зачастую несколько динамики характеризуются резкими колебаниями показателей по годам. Данные ряды обычно, имеют слабую связь со временем и не проявляют четкой тенденции к изменению. В данной ситуации способы аналитического выравнивания малоэффективен, потому что возможность расчетов резко уменьшается. Доверительные границы прогноза порой оказываются шире, чем колебания показателя в некоторых динамиках.

При прогнозировании на основании временных рядов, которые весьма колеблются, можно применять способ текучих средних, при помощи которого возможно исключить случайные колебания временного ряда.

Интервал, величина которого все еще постоянная, постепенно помещается на одно наблюдение. Когда наблюдается определенная цикличность изменений показателей, интервал текучести равняется длительности циклу. В ситуации отсутствия цикличности в изменении показателей советуется исполнять различный расчет при параметре сглаживания. Лучший вариант определяется на основании дальнейшей оценки и выровненных рядов.

По данным выровненных значений ряда динамики производится подбор формы кривой, которая отражает тенденции развития явления. Полученное уравнение регрессии применяется для определения прогнозного значения исследуемого показатель.

На основании выровненных значений товарных запасов предприятия имеются такие значения коэффициента корреляции. Приведенные данные говорят, что наилучшие итоги должны по данным, которые выровнены на основании уровней исследуемого ряда динамики

Метод экспоненциального сглаживания

Экспоненциальное сглаживание – это выравнивание динамических рядов, весьма колеблются, цели стабильного прогнозирования По данному способу возможно дать обоснованные прогнозы на основе рядов динамики, имеют умеренный связь во времени, и обеспечить больше учета показателей, которые достигнуты за последние годы. Сущность метода оформляется в сглаживании временного ряда при помощи взвешенной текучей средней, в которые и веса подчиняются экспоненциальному закону.

Всякое сглажено значение рассчитано при помощи объединения прошлого текущего значения сглаженного значения и временного ряда. В данной ситуации текущие значения временного ряда разрешаются, учитывая константы, сглаживает.

Мы коротко рассмотрели м етод экстраполяции: методы, применение. Оставляйте свои комментарии или дополнения к материалу.

Источник

Сущность методов экстраполяции

Методы экстраполяции достаточно широко применяются на практике, так как они просты, дешевы, и не требуют для расчетов большой статистической базы. Использование методов экстраполяции предполагает два допущения: а) основные факторы, тенденции прошлого сохранят свое проявление в будущем; б) исследуемое явление развивается по плавной траектории, которую можно выразить, описать математически. Названные допущения в большинстве случаев характерны для экономических процессов.

Как поступить, если условия формирования тренда (тренд – тенденция, определяющая общее направление развития) изменились? В этом случае предполагается использование такого искусственного приема, как исправление тренда. Отсекаются показатели ряда, которые были сформированы отжившими факторами, но при разделении старых и новых тенденций следует быть осторожным (можно воспользоваться экспертными оценками).

Прогноз должен иметь высокую точность, ошибка прогноза будет тем меньше, чем меньше период (срок) упреждения и чем больше база прогноза.

Построенные с помощью методов экстраполяции прогнозы нельзя рассматривать как конечный этап прогнозирования, ибо полученный показатель следует оценить с помощью экспертов и в случае необходимости скорректировать, если экономические, политические и другие условия в стране (городе) меняются.

Метод скользящей средней дает возможность выравнивать динамический ряд на основе его средних характеристик. При экстраполяции с помощью среднего уровня ряда используется принцип, при котором прогнозируемый уровень принимается равным среднему значению уровней ряда в прошлом.

Данный метод дает прогнозную точечную оценку и более эффективно используется при краткосрочном прогнозировании. Преимущество данного метода состоит в том, что он прост в применении и не требует обширной информационной базы.

Метод экспоненциального сглаживания дает возможность выявить тенденцию, сложившуюся к моменту последнего наблюдения, и позволяет оценить параметры модели, описывающей тренд, который сформировался в конце базисного периода. Этот метод адаптируется к меняющимся во времени условиям, а не просто экстраполирует действующие зависимости в будущее.

Метод экспоненциального сглаживания наиболее эффективен при разработке кратко- и среднесрочных прогнозов. Его основные достоинства заключаются в простоте вычисления и учете весов исходной информации, т. е. новые данные или данные за последние периоды имеют больший вес, чем данные более отдаленных периодов.

При использовании для прогнозирования данного метода возникают следующие затруднения: а) выбор значения параметра сглаживания; б) определение начального значения экспоненциально взвешенной средней.

Метод наименьших квадратов основан на выявлении параметров модели, которые минимизируют суммы квадратических отклонений между наблюдаемыми величинами и расчетными. Модель, описывающая тренд, в каждом конкретном случае подбирается в соответствии с рядом статистических критериев. На практике наибольшее распространение получили такие функции, как линейная, квадратическая, экспоненциальная, степенная, показательная.

Преимущества метода наименьших квадратов заключаются в том, что он прост в применении и реализуется на ЭВМ. К недостаткам метода можно отнести жесткую фиксацию тренда моделью, небольшой период упреждения, сложность подбора уравнения регрессии, который осуществляется с помощью использования типовых компьютерных программ, например Excel.

Контрольные вопросы:

1. Какие методы относится к методам экстраполяции?

2. Дайте определение следующим понятиям: «экстраполяция», «тренд», «период упреждения», «база прогноза», «доверительный интервал прогноза».

3. Раскройте сущность метода скользящей средней

4. Выделите достоинства и недостатки метода экспоненциального сглаживания

5. Что лежит в основе метода наименьших квадратов?

6. В чем заключаются достоинства методов экстраполяции?

7. Какое допущение предполагают методы экстраполяции?

Источник

ЭКСТРАПОЛЯЦИЯ

Полезное

Смотреть что такое «ЭКСТРАПОЛЯЦИЯ» в других словарях:

экстраполяция — экстраполяция … Орфографический словарь-справочник

ЭКСТРАПОЛЯЦИЯ — (от экстра. и лат. polio приглаживаю изменяю). 1) распространение выводов, полученных из наблюдения над одной частью явления, на другую часть его2)] В статистике распространение установленных в прошлом тенденций на будущий период… … Большой Энциклопедический словарь

ЭКСТРАПОЛЯЦИЯ — [ Словарь иностранных слов русского языка

Экстраполяция — (от экстра. и лат. polio приглаживаю, изменяю) 1) распространение выводов, полученных из наблюдения над одной частью явления, на другую часть его; 2) в статистике распространение установленных в прошлом тенденций на будущий период… … Политология. Словарь.

ЭКСТРАПОЛЯЦИЯ — ЭКСТРАПОЛЯЦИЯ, в математике приближенный метод нахождения неизвестных значений величины на основе уже известных. Экстраполяция часто применяется в экономических расчетах; статистические данные, которые накапливаются, например, за год,… … Научно-технический энциклопедический словарь

Экстраполяция — метод научного прогнозирования, состоящий в распространении выводов, получаемых из наблюдения над одной частью явления на другую его часть. По английски: Extrapolation Синонимы: Экстраполирование См. также: Преобразования данных Прогнозирование… … Финансовый словарь

ЭКСТРАПОЛЯЦИЯ — определение будущих, ожидаемых значений экономических величин, показателей на основе имеющихся данных об их изменении в прошлые периоды; перенесение прошлого на будущее, исходя из выявленных в прошлом тенденций изменения. Математически… … Экономический словарь

экстраполяция — и. ж. exptrapolation. спец. Распространение выводов, полученных из наблюдений над одной частью явления, на другую часть его. БАС 1. Об образе их <динозавров> так мало известно, что вокруг любой гипотезы, основанной на экстраполяции,… … Исторический словарь галлицизмов русского языка

ЭКСТРАПОЛЯЦИЯ — ЭКСТРАПОЛЯЦИЯ, экстраполяции, мн. нет, жен. (от лат. extra вне и второй части слова интерполяция, из polio ровняю, выправляю) (мат., стат.). Вычисление по нескольким членам какого нибудь статистического ряда таких его значений, которые находятся… … Толковый словарь Ушакова

ЭКСТРАПОЛЯЦИЯ — у животных (от экстра. и лат. polio выправляю, изменяю), способность правильно предугадать ход к. л. события на основе ознакомления с предыдущими этапами развития данного события; один из способов опережающего отражения действительности.… … Биологический энциклопедический словарь

Источник

Экстраполяция

Экстраполяция — это логико-методологическая процедура распространения (переноса) выводов, сделанных относительно какой-либо части объектов или явлений на всю совокупность (множество) данных объектов или явлений, а также на их другую какую-либо часть; распространение выводов, сделанных на основе настоящих и/или прошлых состояний явления или процесса на их будущее (предполагаемое) состояние. В математике и статистике под экстраполяцией понимается продолжение динамического ряда данных по определённым формулам; она соотносится здесь с понятием «интерполяция» (от латинского слова: interpolatio — изменение), обозначающим нахождение промежуточных значений по ряду логических или статистических данных. Таким образом, экстраполяции могут подвергаться как качественные так и количественные характеристики (см. Качество и Количество), а также некоторые уравнения (сформулированные для одной предметной области они переносятся на иные предметные области). Под экстраполяцией может также пониматься метод математической гипотезы.

Основные стратегии экстраполяции:

Отдельно принято говорить об экстраполяции схем и методов деятельности в новые практические области (за пределами логико-методологических процедур), об экстраполяции результатов мысленного оперирования знаковыми комплексами в реальные системы действий. Научная экстраполяция предполагает умение правильно оперировать базами экстраполяции, то есть исходным знанием, следование обоснованным правилам переноса, обязательную оценку полученных выводов по избранным критериям.

В целом, экстраполяция предполагает работу с «неизвестными» на основе известного знания и с «будущим» на основе знания прошлого и настоящего. В этом отношении — она неизбежный приём любого творческого мышления и деятельности. Экстраполяция служит наиболее важным средством диагностических процедур и прогнозирования. Более того, экстраполяционное прогнозирование институционализировалось в особую область прогнозной работы наряду с поисковым и нормативным прогнозированием (на качественном уровне — это системный классификационный анализ понятий на предмет их упорядочивания и иерархизации; на количественном — это трендовый анализ динамических рядов с целью отыскания основных тенденций).

Источник

Методы экстраполяции

Экстраполяция представляет метод прогнозирования, заключающийся в изучении сложившихся в прошлом и настоящем устойчивых тенденций развития процессов и явлений и переносе их на будущее. Метод экстраполяции применим, если используются следующие допущения: а) период времени, для которого построена функция, должен быть достаточным для выявлении тенденции развития; б) анализируемый процесс является устойчиво динамическим и обладает инерционностью, т.е. для значительных изменений характеристик процесса требуется время; в) не ожидается сильных внешних воздействий на изучаемый процесс, которые могут серьезно повлиять на тенденцию развития. Прогнозирование с помощью метода экстраполяции – один из простейших методов статистического прогнозирования. Его использование оправдано при недостаточном знании о природе изучаемого явления или отсутствии данных, необходимых для применения более совершенных методов прогнозирования.

Различают а) простую экстраполяцию, которая предполагает, что все действовавшие в прошлом и настоящем тенденции сохранятся в полном объеме, так как все действовавшие факторы останутся неизменными; б) прогнозную экстраполяцию, которая базируется на предположении об изменении факторов, определяющих динамику изучаемого процесса или явления.

Основу экстраполяции составляет изучение динамических рядов, представляющих собой упорядоченные во времени наборы измерений тех или иных показателей исследуемого объекта. В основе динамического анализа лежит понятие траектории, которая описывает состояние изучаемого процесса как функцию от времени: Q = Q(t), t [0,T], [0,T] – отрезок времени.

При этом время может учитываться как по интервалам, так и непрерывно. В первом случае функция называется динамическим рядом.

Использование экстраполяции имеет в своей основе предположение о том, что рассматриваемый процесс представляет собой сочетание двух составляющих: регулярной составляющей (Х_t) и случайной переменной ( ). Временной ряд может условно представлен в виде: Y_t = X_t + _t.

Регулярная составляющая называется трендом, тенденцией и характеризует существующую динамику развития процесса в целом. Случайная составляющая отражает случайные колебания (шумы процесса).

Показателями развития процесса являются абсолютный прирост, темп роста, темп прироста. Показатели изменения динамического ряда могут вычисляться на постоянной и переменой базе. Для обобщающей оценки скорости и интенсивности изменения динамического ряда используются различные средние характеристики, среди которых являются средний темп роста и средний темп прироста. Средний темп роста рассчитывают как среднее геометрическое и как среднее параболическое. Среднее геометрическое рассчитывается из последовательных цепных темпов роста: ; среднее параболическое ориентировано на сумму динамического ряда и определяется из уравнения:

Задача ППЭ состоит в определении вида экстраполирующих функций Х_t и _t на основе исходных эмпирических данных и параметров выбранной функции.

Методика построения трендовых моделей представляет сочетание качественного экономического анализа и формальных математико-статистических методов и включает несколько этапов: 1) Выбор класса функции тренда. Существует более 40 временных функций, отличающихся своими свойствами. Надо выбрать ту, которая отражает главные особенности динамики исследуемого показателя, прежде всего тип развития. Можно выделить 4 типа экономического роста: постоянный, увеличивающийся, уменьшающийся и рост с качественными изменениями характеристик на протяжении рассматриваемого периода. 2) Оценка параметров функции. Он проводится методами регрессионного анализа. 3) Расчет значений формальных критериев аппроксимации. Для характеристики близости тренда к аппроксимируемому динамическому ряду применяют несколько формальных критериев: сумма квадратов отклонений значений тренда от фактических значений, значение коэффициента детерминации и т.д. 4) Анализ остаточной компоненты динамического ряда. 5) Выбор функции тренда. Результатом предшествующих этапов является построение нескольких функций тренда для одного показателя. Выбор лучшей осуществляется путем сопоставления значений, возможностей экономической интерпретации и использования в прогнозировании.

МЕТОД ЛИНЕЙНОЙ экстраполяции. Сущность метода заключается в том, что прогнозные величины определяются на основе среднего прироста (снижения) исследуемого показателя за определенный период времени.

Пример. Предположим, у нас имеются данные об объеме ВНП страны за ряд лет:

Рассчитаем средний темп прироста за четыре года: (5,8 + 5,2 + 5,0 + 4,8)/4 = 5,2

Определив средний темп прироста, рассчитаем прогнозное значение ВНП страны на 2000 год: Y₂₀₀₀ = Y₁₉₉₉ + Y = 36,8 + 5,2 = 42,0

В тех случаях, когда показатели базисного и конечного прогнозного периода известны и следует определить годовые промежуточные показатели, используют метод линейной интерполяции, рассчитывая средний прирост за данный период времени:

Y₂₀₀₂ = Y₂₀₀₀ + 2* Y = 205 + 2*7 = 219.

МЕТОД ПРОСТОЙ СРЕДНЕЙ. Применяется в тех случаях, когда в уравнении линейной зависимости Y = a + bx, коэффициент b = 0. При таком условии график будет представлен прямой параллельной горизонтальной оси графика, а прогноз будет состоять в расчете простой средней из всех имеющихся данных: Y = Y/N.

Расчеты простой средней часто связывают с сезонными колебаниями, происходящими внутри общего тренда.

Пример. Имеются данные об объеме ВНП за ряд лет по кварталам:

Рассчитываем квартальный индекс: 1 квартал = 272:294,5 = 0,92; 2 квартал = 404:294,5 = 1,37;

3 квартал = 300:294,5 = 1,02; 4 квартал = 203:294,5 = 0,69.

Для того, чтобы составить прогноз объема ВНП по кварталам на 2000 год, надо прогнозное значение ВНП за данный год разделить на 4(количество кварталов) и умножить на соответствующий квартальный индекс. Предположим, что в 2000 году ВНП будет равен 1450. Тогда в 1 квартале будет произведено: (1450:4)*0,92= 333,5; 2 квартал = (1450:4)*1,37 = 496,625 и т.д.

МЕТОД наименьших квадратов. Позволяет подогнать функцию под некоторый набор численных значений и построить график функции по некоторой совокупности точек. Выбор этой функции считается наилучшим, если стандартное отклонение определяемое формулой:

E = (d_t – d’_t) 2 min оказывается сведено к минимальному значению.

d_t – фактические данные,

d`_t – данные рассчитанной функции.

Как правило, используется линейная функция Y = a + bx.

Задача состоит в том, чтобы определить значения а и b, где

а – значение Y в базисном периоде,

b – угол наклона прямой.

Чтобы определить значения a и b используется система уравнений:

Y = Na + b

Пример. Имеются данные об объеме ВНП.

Год	Y (ВНП)	x	x 2	xY	Y сглаженный
108,4
108,4 + 4,7 = 113,1
108,4 + 2* 4,7 = 117,8
108,4 + 3* 4,7 = 122,5
108,4 + 4* 4,7 = 127,2

Система уравнений выглядит следующим образом: 589 = 5а + 10b

Решая их, находим а = 108,4, b = 4,7.

Можно рассчитать ВНП 2000 года : Y₂₀₀₀ = Y₁₉₉₅ + 5b = 108,4 + 5*4,7 = 131,9.

Если показательное уравнение логарифмировать, то значения коэффициентов а и можно определить методом наименьших квадратов:

log Y = log a + x* log b.

log a и log b находят, решая нормальные уравнения: log Y = N log a + x log b.

x log Y = x log a + x 2 log b.

Если определить х таким образом, что x = 0, то

МЕТОД СКОЛЬЗЯЩЕЙ СРЕДНЕЙ. При подготовке прогноза методом скользящей привязки число периодов, по которым производится суммирование фактических данных, несколько больше того числа, которое было установлено и которое желательно иметь для проведения необходимых расчетов. Необходимость выравнивания сезонных колебаний требует, чтобы суммарная продолжительность всех периодов была равна 1 году. Выравнивание сезонных колебаний происходит в силу того, что крайние значения тренда имеют тенденцию к взаимному погашению. Вовлечение в расчет скользящей средней большего числа временных периодов увеличивает эффект сглаживания и одновременно уменьшает чувствительность прогноза к данным последних периодов.

Движение скользящей средней во времени дает возможность учесть самую последнюю информацию и отказаться от использования более старых данных. Использование скользящей средней позволит подготовить качественный прогноз только тогда, когда данные будут относительно стабильны.

Индекс сезонных колебаний, вычисленный на основе скользящей средней, дает возможность улучшить качество прогноза. Индекс получают путем деления объема фактического производства в соответствующем периоде на величину центрированной скользящей средней за тот же период. Повысить надежность можно за счет усреднения значения нескольких индексов общих временных периодов.

Пример. Для разработки прогноза на 2000 год используем данные о квартальных объемах производства. Скользящие средние определяются исходя из разбивки года на кварталы. Можно рассчитать скользящую среднюю только за 2 квартал 1995 года путем деления суммы данных за четыре квартала данного года на 4: (190+370+300+220)/4= 270.

Для расчета следующей скользящей средней берут данные за 2-4 кварталы 1995 года и 1 квартал 1996 года. Аналогично поступают в дальнейшем.

Центрированная скользящая средняя находится только для третьего квартала путем деления суммы данных скользящей средней за 2 и 3 кварталы 1995 года: (270+292)/2 = 281.

Дальнейшие расчеты делаются аналогично, заменяя одно значение другим.

Индекс сезонных колебаний получают путем деления фактического объема производства на величину центрированной скользящей средней за тот же период. Для 3 квартала 1995 года: 300:281 = 1,07.

Таблица. Расчет значений скользящей средней и индексов сезонных колебаний

На основе рассчитанных данных индекса сезонных колебаний заполняем таблицу 2 и делаем расчет скорректированного индекса.

Таблица 2 Расчет скорректированного индекса сезонных колебаний

Средний индекс сезонных колебаний рассчитываем путем деления суммы индексов за данный квартал на количество данных: для 1 квартала: 3,90:4 = 0,975 и т.д.

Полученные средние индексы сезонных колебаний проверяют на точность расчета. Среднее значение всех квартальных индексов не должна превышать 1. В нашем случае:

(0.975 + 1,375 + 1,0125 + 0,6675): 4 = 1,0075

Так как индекс больше 1, его следует скорректировать, уменьшив на 0.0075.

Завершающая стадия – составление прогноза. Для этого берут центрированную скользящую среднюю за определенный период и умножают на скорректированный индекс сезонных колебаний. Для 2000 года мы должны взять центрированную скользящую среднюю за 1 квартал 1999 года (316) и умножить на скорректированный индекс сезонных колебаний за 1 квартал (0,97):

1 квартал 2000 года = 316*0,97 = 307.

ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ. При экспоненциальном сглаживании в равенство вводится постоянный коэффициент сглаживания , придающий больший вес последним данным. Уравнение прогноза, учитывающее экспоненциальное сглаживание, записывается в виде:

где F_n – прогноз предстоящего периода

— коэффициент сглаживания

Y_n-1— фактический объем прогнозируемого показателя в текущем году.

Коэффициент находится в интервале от 0 до 1.Чувствительность к происходящим изменениям повышается с увеличением коэффициента сглаживания и уменьшением числа рассматриваемых периодов (N). Связь между и N описывается отношением = .

Поэтому, если нас не устраивает найденное количество периодов N, то мы легко можем найти значение , которое нас устроит.

Дата добавления: 2017-08-01 ; просмотров: 13088 ; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ

Источник