Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Решение задачи 2.1.
Определим валовой сбор зерна в 2007 г. с помощью аналитической экстраполяции динамического ряда.
Прогнозирование на основе экстраполяции тренда включает ряд последовательных этапов:
1. Анализ и обработка исходной информации, проверка ряда динамики на наличие тренда.
2. Выбор вида функции, описывающей временной ряд.
3. Определение параметров прогнозной функции.
4. Расчет точечных и интервальных прогнозов.
Прежде чем подбирать тренд динамического ряда, статистически проверим гипотезу о его существовании. Есть несколько подходов к решению этой задачи: проверка разности средних, использование поворотных точек, корреляция рангов, применение критерия Кокса и Стюарта, Валлиса и Мура, метод серий и др.
Так как распределение величин нормальное, воспользуемся методом Фостера-Стюарта [21], дающим наиболее надежный практический результат. Он более чувствителен к выявлению тренда, чём классическая проверка гипотезы о случайном характере расхождения средних.
По исследуемому динамическому ряду валового сбора зерна с 1955—2006 гг. (табл.1) последовательным сравнением уровней опреде-
Ответы на тренировочные задания
Ответы на тренировочные задания
лим характеристики S (для обнаружения тенденций в изменении дисперсии) и d(для обнаружения тенденций в средней):
где и и I — вспомогательные переменные,
у — фактические значения ряда динамики.
В рассматриваемом случае S= 13, d = 7. Показатели S и dасимптотически нормальны и имеют независимые распределения. Они существенно зависят от порядка расположения уровней во времени. С учетом их фактических значений, применяя t-критерий Стьюдента, проверяется гипотеза о том, можно ли считать случайными разности d — 0 и S — ц, т. е.:
где ц — математическое ожидание величины S, определенное для случайного расположения уровней во времени; 5; — средняя квадратическая ошибка величины d; 5) — средняя квадратическая ошибка величины S.
Необходимые для получения t-критерия показатели ц, &> 6] табулированы, например, в [4] и при числе уровней ряда, равном 50, составляют: = 6,99; =2,12; = 2,64. Проверка dдает t1= 2,65, при проверке S получаем t 2 = 2,83. Поскольку оба результата выше табличного значения t а = 2,42 критерия Стьюдента при уровне значимости а = 0,01, гипотеза о существовании тренда подтверждается, и можно прогнозировать валовой сбор зерна на ближайшие 3—5 лет методом экстраполяции тренда.
Выделение тренда может быть произведено тремя методами: скользящей средней, укрупнения интервала или аналитического выравнивания. Под аналитическим выравниванием, которым мы и воспользовались, подразумевается определение основной проявляющейся во времени тенденцией развития изучаемого явления. Для этого находят некую функцию от времени f(t), которая наилучшим образом соответствует общей тенденции и дает содержательное объяснение рассматриваемому процессу. Выбор вида функции является достаточно сложным процессом и обычно несет в себе большую долю субъективизма.
Использование пакетов прикладных программ, например Statistic а, МS ЕХЕL и др., позволяет проводить многовариантные расчеты по элементарным и комбинированным аппроксимирующим функциям и выбирать наиболее адекватную из них. Выбранная прогнозная эмпирическая функция, описывающая динамический ряд, должна отвечать необходи-
мым и достаточным условиям. Эта аппроксимирующая функция должна минимизировать стандартное отклонение S на интервале оценивания, обеспечивать тесноту связи (по коэффициенту корреляции); аппроксимирующее уравнение должно быть адекватно фактической временной тенденции валового сбора (по F-критерию) и устранять автокорреляцию.
Рис. 1. Прогноз валового сбора на основе линейного тренда |
Рис. 2. Прогноз валового сбора на основе полиномиального (2-й степени) тренда |
Динамика валового сбора довольно сложна и циклична в зависимости от периода развития сельскохозяйственного производства, уровня НТП, изменения природно-климатическим условий в соответствии 5-летним циклом колебания урожайности и 11-летним циклом солнечной активности и др. факторов. Поэтому для аппроксимации динамического ряда валового сбора, кроме линейных и параболических зависимостей, применены и некоторые виды комбинированных функций. Параметры уравнений трендов рассчитаны методом наименьших квадратов (см. рис. 1—6):
Ответы на тренировочные задания
Рис. 3. Прогноз валового сбора на основе логарифмического тренда
Рис. 5. Прогноз валового сбора на основе комбинированной функции
Рис. 4. Прогноз валового сбора на основе комбинированной функции
у — значение рада динамики, I — время;
г — множественный коэффициент корреляции;
/г — коэффициент детерминации, характеризующий долю дисперсии
результативного признака у, объясняемую трендом, в общей дисперсии
результативного признака
Рис. 6. Прогноз валового сбора на основе комбинированной функции
Для обоснованности прогноза методом трендовой экстраполяции были рассмотрены характеристики полученных аналитических выравнивающих функций (см. табл. на с. 398).
Ответы на тренировочные задания
Ответы на тренировочные задания
Характеристики выравнивающих функций для динамического ряда валового сбора зерновых
Обозначение функции | Вид аппроксимирующей функции | Прогнозируемый на 2007 г. валовой сбор (г = 50) | Стандартное отклонение | Коэффициент корреляции | Коэффициент автокорреляции ряда | |
а | 450,2 | 0,52 | 1,15 | 0,13 | ||
б | 369,1 | 0,76 | 4,13 | 2,45 | ||
в | 410,9 | 0,78 | 1,92 | 1,18 | ||
г | 460,1 | 0,64 | 3,13 | 2,17 | ||
д | 278,2 | 0,92 | 5,56 | 1,97 | ||
е | 212,5 | 0,87 | 3,89 | 1,63 | ||
ж | 301,2 | 0,84 | 4,12 | 1,91 |
Как показывают данные табл. 2, не все из выравнивающих функций можно использовать для прогнозирования. При оценке надежности уравнения регрессии фактический уровень критерия Фишера (Рфак) для функций а, в, г меньше его теоретического значения (Ртеор). Ртеор = 3,15 — 3,23 при уровне значимости 0,05. Это свидетельствует о том, что построенные уравнения неадекватно отражают сложившуюся в исследуемом ряду динамики тенденцию. В остальных функциях фактическое значение /'-критерия больше табличного, т. е. каждая из связей считается значимой. Анализ коэффициента корреляции позволяет утверждать, что связь между аппроксимирующими аналитическими функциями а и г и фактическими данными слабая (коэффициент меньше 0,7). Близость полученных коэффициентов детерминации (квадрата коэффициента корреляции) к единице свидетельствует о наличие тесной связи (уравнения д, е, ж). Проверка на наличие автокорреляции зависимости последующих уровней ряда от предыдущих осуществлялась по критерию Дарбина-Уотсона. Если этот критерий равен 0, имеется полная положительная автокорреляция, 2 — автокорреляция отсутствует, 4 — полная отрицательная автокорреляция. В соответствии с этим критерием незначительная положительная автокорреляция, которую можно не исключать из взаимосвязи, присутствует в функциях б, г, д, ж.
Функции айв без исключения автокорреляции применять для прогнозирования невозможно.
Таким образом, функции б, д, е, ж хорошо выравнивают исходный динамический ряд и их можно применять для прогнозирования валового сбора зерна в области. Из перечисленных функций минимальное стандартное отклонение имеет функция
Прогнозное значение валового сбора зерна на 2007 г. составляет 1312 тыс. т. Ошибка прогноза рассчитана по формуле и
составляет 4,24%, где
^Факт — фактическое значение валового сбора, Упрогн — прогнозное значение.
Полученная ошибка прогноза свидетельствует о высокой точности использованного метода прогнозирования.
Дата публикования: 2015-01-10; Прочитано: 773 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!