Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Прогнозування за допомогою екстраполяції засновано на переносі подій і тенденцій, що мали місце в минулому на майбутнє.
Методи екстраполяції застосовуються для так званих повільно мінливих подій.
Якщо прогнозовані події, показники, процеси можуть у майбутньому змінюватися стрибками, мати розриви в часі (так називані “революційні” процеси), то застосовувати методи екстраполяції не можна.
У той же час методи екстраполяції накладають певні обмеження на вихідну інформацію
- по поданню даних,
- по кількості даних,
- по довжині рядів і т.д.
Застосування методів екстраполяції виправдане для коротко- і середньострокових прогнозів тих показників проектів, для яких у майбутньому не передбачається істотних якісних змін і стрибків.
З існуючих методів екстраполяції більш докладно зупинимося на методі екстраполяції динамічних рядів, тобто коли вихідна інформація
представлена у вигляді динамічного ряду y = y(t).
Добування інформації з масивів даних. Аналіз. за допомогою часових рядів досліджують динаміку економічних явищ і процесів.
Часовий ряд – це ряд послідовних значень, що характеризують зміни показника в часі. Тобто часовим рядом називають статистичний ряд, що характеризує стан і схему явищ у часі й позначають
y1, y2, y3, … уn,
де yi (i = 1,n) – рівень ряду, що характеризує величини явища;
i - момент часу, до якого належить ця величина явища;
n - тривалість або загальна кількість членів ряду;
y1 – початковий рівень;
yn – кінцевий рівень;
Рівні часових рядів можна виразити
- абсолютними,
- середніми,
- відносними величинами.
Залежно від частоти реєстрації факту часові ряди діляться на
- дискретні (дані реєструються через рівні фіксовані проміжки часу)
- безперервні (безперервний запис зміни явищ у часі).
Сучасні методики статистичного аналізу часових рядів побудовані на гіпотезі про їхню безперервність.
У процесі аналізу часових рядів використають статистичні показники, наприклад:
- абсолютні прирости;
- темпи росту;
- темпи приросту й ін.
Виділяють показники:
- базисні - кожен рівень часового ряду порівнюють із початковим;
- ланцюгові - кожен рівень часового ряду порівнюють із попереднім;
1. Абсолютний приріст часового ряду (∆)
Визначають як різницю між поточним (yi) і попередньої (yi-1) або початковим (y1) рівнями часового ряду
∆i(1) = yi – yi-1 або ∆i(1) = yi – y1.
Якщо з абсолютних приростів створити новий часовий ряд можна одержати абсолютні прирости другого порядку й т.д.
∆i(k) = ∆i(k-1) - ∆i-1(k-1) або ∆i(k) = ∆i(k-1) - ∆1(k-1).
2. Темпи росту (Тр) – це відношення поточного рівня часового ряду (yi) і попередній (yi-1) або початковому (y1) рівню:
Тр(i) = або Тр(i) =
3. Темпи приросту (Тпр) – відношення абсолютного приросту (∆i) до попереднього (yi-1) або початковому (y1) рівню:
Тпр(i) = або Тпр(i) =
4. Середній рівень часового ряду визначається залежно від характеру ряду як середнє хронологічне, арифметичне або геометричне:
- середнє хронологічне ухр =
- середнє арифметичне уар =
- середнє геометричне угеом =
5. Середній абсолютний приріст обчислюють по формулі середнього арифметичного з ланцюгових приростов
∆ = або ∆ =
6. Середній темп росту обчислюють за допомогою середнього геометричного:
Тр = або Тр = .
7. Середній темп приросту
Тпр = (Тр - 1)×100%
В основі аналізу часових рядів лежить ідея, що дані, які характеризують об'єкт, процес у минулому, можна використати для прогнозування майбутніх значень.
Дані по проекті в минулому можуть включати кілька компонентів, таких як
- тренди;
- сезонні коливання;
- циклічні коливання;
а так само
- середнє значення за певний період;
- випадкові викиди;
- автокореляція.
Часові ряди можна визначити як дані, розташовані в хронологічному порядку, які можуть містити один або кілька компонентів досліджуваного показника:
- трендовий;
- сезонний; - (адитивні або мультиплікативні сезонні коливання, сезонний індекс);
- циклічний;
- автоукореляційний
- випадковий.
Дата публикования: 2014-11-28; Прочитано: 607 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!