СОДЕРЖАНИЕ

1 Типовые задачи прогнозирования

1.1 Регрессионные методы. Прогнозирование показателей методом
экстраполяции регрессией
1.2 Прогнозирование показателей методом экстраполяции с помощью
сплайнов
1.3 Прогнозирование показателей методом экстраполяции с помощью
полиномиальной регрессии
1.4 Прогнозирование показателей методом экстраполяции с помощью
взвешенной по динамике регрессии
1.5 Прогнозирование показателей методом экстраполяции с помощью
авторегрессии
1.6 Прогнозирование показателей методом экстраполяции с помощью
взвешенной по динамике полиномиальной регрессии
1.7 Прогнозирование показателей методом экстраполяции с учетом
сезонной компоненты
1.8 Прогнозирование показателей методом гармонического анализа с
учетом сезонной компоненты
1.9 Прогнозирование показателей на основе многофакторной
регрессионной модели
Список литературы
 2

1 ТИПОВЫЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ

1.1 Регрессионные методы. Прогнозирование показателей методом

экстраполяции регрессией
 3

Прогнозируемый показатель – объем производства транспортных

средств. Динамический ряд прогнозируемого показателя выбирается в
соответствии с номером варианта (таблица 1). В таблице 1 приведены значения
прогнозируемого показателя в ретроспективе по годам. Первое значение
соответствует году, равному (t-4), где t – год выполнения контрольной работы.
Например, если работа выполнялась в 2006 году, то первая точка
динамического ряда соответствует 2002 году, вторая – 2003-му и т.д. Пятая
точка соответствует текущему году, который условно считается законченным.
Шестая (последняя) точка соответствует прогнозируемому периоду
(текущий год плюс один). При решении задачи она считается «неизвестной» и
используется для оценки ошибки полученного прогноза на данный период. В
дальнейшем ее величина называется «контрольным значением».
Размерность единиц для значений прогнозируемого фактора
произвольна и зависит от конкретики решаемой задачи.

1.1.1 Выбор регрессионной функции

Выбор производится из трех типов функций:

- линейная функция:

, (1.1)

- экспоненциальная функция:

, (1.2)

- асимптотическая функция:

, (1.3)

где А0 и А1 – постоянные коэффициенты;

y – прогнозируемый фактор;
t – время;
е – экспонента.

Таблица 1 – Динамический ряд прогнозируемого фактора по вариантам

Номер Номер года

варианта 1 2 3 4 5 6
1 43,1 60,2 77,3 95 113,2 134,3
 4

Для последовательного выполнения расчетов промежуточные

результаты сводим в таблицу 2.

Таблица 2 – Расчет показателей динамического ряда

t t2 1/t (1/t)2 y y2 1/y (1/y)2 ln(y) (ln(y))2 yt ln(y) t

1 1
2 4
3 9
4 16
5 25
=15
 5

Выбор регрессионной функции производится по коэффициенту

корреляции между фактическим (заданным) динамическим рядом и расчетным
рядом, на основе одной из вышеперечисленных функций. Чем ближе модуль
коэффициента корреляции к единице, тем теснее связь между фактическим и
расчетным рядами. Следовательно, тем пригоднее проверяемая функция для
прогнозирования данного процесса.

Коэффициент корреляции для линейной функции определяется по

следующей формуле:

, (1.4)

где n – число точек динамического ряда (в нашем случае – 5 точек);

yi – значение динамического ряда в i-ой точке;
ti – номер точки в динамическом ряду ( от 1 до 5).

Для подбора коэффициентов нелинейной функции может быть

использован метод наименьших квадратов. Однако это связано с трудоемким
вычислительным процессом. Поэтому чаще применяется метод линеализации
криволинейных функций:
1) исходная нелинейная функция путем специально подобранных
преобразований приводится к линейному виду (например логарифмированием);
2) для преобразованной функции строятся линейные оценки
коэффициентов регрессии;
3) значения коэффициентов исходной функции определяются, исходя
из линейных оценок, путем обратных преобразований.
Для экспоненциальной функции линеализирующим преобразованием
является логарифмирование левой и правой частей выражения (1.2). При
расчете коэффициента корреляции для экспоненциальной функции также
можно воспользоваться формулой (1.4) с учетом введенных соответствующих
замен. В качестве yi в расчет подставляются не сами значения динамического
ряда, а их натуральные логарифмы ln(y). В результате получим значение
коэффициента корреляции Rэкс.
Для асимптотической функции в формулу (1.4), для приведения к
линейному виду и упрощения расчетов, подставляются:
а) вместо yi их обратные значения (1 / yi);
б) вместо ti их обратные значения (1 / ti).
В результате получим Rасм.
 6

Сравнивая между собой значения коэффициентов Rлин, Rэкс и Rасм,

определим наиболее подходящую функцию для прогнозирования. Это будет та
функция, для которой коэффициент корреляции по модулю имеет наибольшее
значение.

1.1.2 Оценка коэффициентов регрессии

 7

В этом разделе выполняется количественная оценка коэффициентов А 0

и А1 для выбранной функции прогноза.
Расчет ведется только для той функции, которая была выбрана в
предыдущем разделе.
Общий вид расчетных формул, для любого вида выбранной функции,
следующий:

, (1.5)

. (1.6)

Если выбрана линейная функция, то коэффициенты регрессии для нее

совпадают с линейными оценками:

, (1.7)

. (1.8)

Если выбрана экспоненциальная функция, то коэффициенты регрессии

рассчитываются следующим образом, учитывая необходимые обратные
преобразования:
 в формулы (1.2) и (1.3) вместо значений yi подставляются их
натуральные логарифмы;
 после расчета линейных оценок a0 и а1 значения коэффициентов А0
и А1 определяются по следующей зависимости

, (1.9)

. (1.10)

Если выбрана асимптотическая функция:

 в формулы (1.2) и (1.3) вместо значений yi и ti подставляются их
обратные значения;
 после расчета линейных оценок a0 и а1 значения коэффициентов А0
и А1 определяются по следующей зависимости

, (1.11)
. (1.12)
 8

Если расчет производится с низкой точностью (6-8 разрядов) в Microsoft

Office Excel, то при расчете асимптотических оценок может произойти потеря
точности. В этом случае рекомендуется предварительно разделить значение y
на 1000, а после получения оценок коэффициентов величину А 0 умножить на
1000. Это касается и расчета коэффициента корреляции для асимптотической
функции, однако в этом случае умножать результат на 1000 не нужно.

1.1.3 Выполнение прогноза

Прогнозное значение фактора получаем подстановкой в полученное

уравнение регрессии периода времени, на который выполняется прогноз. (В
нашем случае t = 6). Подстановка производится в уравнение для выбранной
функции. В результате получим прогноз фактора на следующий год yпрог.

1.1.4 Расчет ошибки прогноза

Ошибка рассчитывается следующим образом:

, (1.13)

где yконт – контрольное значение реализации фактора в прогнозном периоде (6-я

точка задания).
Желательно, чтобы ошибка прогноза не превышала 5 %.
 9

1.2 Прогнозирование показателей методом

экстраполяции с помощью сплайнов
 10

1.2.1 Сплайн 2-го порядка

Общий вид формулы:

y=a0+ a1t+ a2t2 . (1.14)

Составим систему уравнений с найденными коэффициентами:

для 2006 года, при t=2 y=a0+ 2a1+ 4a2 ,

для 2005 года, при t=1 y=a0+ a1+ a2 ,
для 2004 года, при t=0 y=a0 .

Произведем расчет прогноза. Прогнозное значение фактора получаем

подстановкой в сплайн периода времени, на который выполняется прогноз. (В
нашем случае t = 3).
Рассчитаем ошибку прогноза. Ошибка рассчитывается следующим
образом:
, (1.15)

где yконт – контрольное значение реализации фактора в прогнозном периоде (6-я

точка задания).

1.2.2 Сплайн 3-го порядка

 11

Общий вид формулы:

y=a0+ a1t+ a2t2 + a3t3 . (1.16)

Система уравнений с найденными коэффициентами примет вид:

для 2006 года, при t=3 y=a0+ 3a1+ 9a2+ 27a3 ,

для 2005 года, при t=2 y=a0+ 2a1+ 4a2+ 8a3 ,
для 2004 года, при t=1 y=a0+ a1+ a2+ a3 ,
для 2003 года, при t=0 y=a0 .

Произведем расчет прогноза. Прогнозное значение фактора получаем

подстановкой в сплайн периода времени, на который выполняется прогноз. (В
нашем случае t = 4). Расчет ошибки прогноза.

1.3 Прогнозирование показателей методом экстраполяции с помощью

полиномиальной регрессии

1.3.1 Полиномиальная регрессия 2-го порядка

Полиномиальная регрессия может описывать тенденции любой

сложности при условии их гладкости. В прогнозных расчетах редко
используются полиномиальные регрессии 4-5 порядков, т.к. с ростом порядка
резко возрастает неустойчивость полиномиальной регрессии.
Рассмотрим последовательность прогнозирования с помощью
полиномиальной регрессии 2-го порядка. Общий вид представлен
 12

. (1.17)

С учетом условия , составим систему уравнений

по правилу построения систем нормальных уравнений для полиномиальных
регрессий произвольного порядка:
а) первое уравнение системы получается суммированием исходного
уравнения регрессии по числу точек динамического ряда;
б) каждое последующее уравнение системы получается путем
умножения предыдущего на зависимую переменную;
в) количество уравнений системы равно количеству неизвестных
коэффициентов.

(1.18)

Определим коэффициенты полиномиальной регрессии .

Рассчитаем показатель на прогнозный период времени yпрог.
Определим ошибку прогноза по формуле (1.15)

1.3.2 Полиномиальная регрессия 3-го порядка

Расчет выполняется аналогично. Количество уравнений в системе равно

четырем.

(1.19)
 13

1.4 Прогнозирование показателей методом экстраполяции с помощью

взвешенной по динамике регрессии

Взвешенная регрессия означает, что не каждая точка динамического

ряда имеет равную значимость по вкладу в конечную регрессионную оценку.
Значимость каждой точки оценивается ее весом. При этом
последовательность расчетов такова:
1) присваиваем веса точкам динамического ряда (условно принимаем
равными их порядковым номерам). W – вес. W2001=1; W2002=2; и т.д.;
2) выбираем вид функции (по расчетной работе 1.1);
3) оцениваем коэффициенты функции с учетом весов по следующим
формулам:

, (1.20)

где W – вес точки динамического ряда,

; (1.21)

4) рассчитаем коэффициент корреляции по следующей формуле

; (1.22)

5) рассчитаем показатель на прогнозный период времени yпрог ;

6) определим ошибку прогноза по формуле (1.15).

 14

СПИСОК ЛИТЕРАТУРЫ
 15

1 Айвазян С.А. Прикладная статистика и основы эконометрики/

С.А. Айвазян, В.С. Мхитарян. – М.: ЮНИТИ, 1998. – С. 320
2 Антохонова И.В. Методы прогнозирования социально-
экономических процессов: Учебное пособие. – Улан-Удэ: Изд-во ВСГТУ, 2004.
– С. 212
3 Бестужев-Лада И.В. Нормативное социальное прогнозирование. –
М.: Наука, 1987. – С. 216
4 Бестужев-Лада И.В. Перспективы развития культуры в
проблематике социального прогнозирования. – СПб: ГУП, 1997. – С. 187
5 Бестужев-Лада И.В. Поисковое социальное прогнозирование. – М.:
Наука, 1984. – С. 256
6 Бестужев-Лада И.В. Социальное прогнозирование: Курс лекций /
И.В. Бестужев-Лада, Г.А. Наместникова. – М.: Педагогическое общество
России, 2002. – С. 392.
7 Бестужев-Лада И.В. Наместникова Г.А. Технология прогнозных
разработок социальных процессов / И.В. Бестужев-Лада, Г.А. Наместникова. –
М.: Поиск, 1992. – С. 412
8 Бестужев-Лада И.В. Прогнозное обоснование социальных
нововведений. – М.: Наука, 1993. – С. 146
9 Владимирова Л.П. Прогнозирование и планирование в условиях
рынка: Учебное пособие. М.: Издательский дом «Дашков и Ко», 2000. – С. 308.
10 Впереди XXI век: перспективы, прогнозы, футурологи. Антология
современной классической прогностики 1952—1999 / Редактор-составитель
И.В. Бестужев-Лада. – М.: Academia, 2000. – С. 156.
11 Кугаенко А.А. Синтез динамических моделей народного хозяйства
и методы прогнозирования социально-экономических процессов. – М.:
Прометей, 1991. – С. 294.
12 Математическое моделирование в экономике: Сборник научных
трудов / НГАЭиУ. – Новосибирск, 1996. – С. 178.
13 Минцберг Г., Стратегический процесс. – Пер. с англ. / Г.Минцберг,
Куинн Дж.Б., Гошал С.; Под ред. Ю.Н. Каптуревского. – СПб: Питер, 2001. ––
С. 688 .
14 Основы экономического и социального прогнозирования / Под ред.
В.Н. Мосина, Д.М. Крука. М.: Высшая школа, 1985. – С. 316
15 Прогнозирование и планирование в условиях рынка: Учебное
пособие для вузов/Т.Г. Морозова, А.В. Пикулькин, В.Ф. Тихонов; Под ред. Т.Г.
Морозовой, А.В. Пикулькина. – М.: ЮНИТИ-ДАНА, 2000. – С. 318.
16 Рабочая книга по прогнозированию / Отв. ред. И.В. Бестужев-Лада.
– М.: Мысль, 1982. – С. 210
17 Рихтер Дж. Программирование на платформе Microsoft Net
Framework. – Пер. с англ. – М.: Издательско-торговый дом «Русская редакция»,
2002. – С. 512.
18 Статистическое моделирование и прогнозирование: Учебное
пособие / Под ред. А.Г. Гранберга. - М.: Финансы и статистика, 1990. – С. 189
 16

19 Теория прогнозирования и принятия решений /Под ред. С.А. Сар-

кисяна. – М.: Высшая школа, 1977. – С. 460.
20 Тихомиров Н.П. Методы социально-экономического
прогнозирования/. Тихомиров Н.П., Попов В.А. – М.: Изд-во ВЗПИ, АО
«Росвузнаука», 1992. – С. 228.
21 Четыркин Е.М. Статистические методы прогнозирования. – 2-е
изд., перераб. и доп. - М.: "Статистика", 1977. – С. 200.
22 Эконометрика: Учебник/Под ред. И.И. Елисеевой. – М.: Финансы и
статистика, 2002. – С. 344.
23 Янч Э. Прогнозирование научно-технического прогресса. – М.:
Прогресс, 1974. – С. 302