назад Оглавление вперед


[Старт] [1] [ 2 ] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43]


2

цт пйрамрбЁ нелинейных tpeндoв. Пусть ft (а, Ь, с) - уравнеине тренда (мы для простоты ограничились тремя параметрами а, Ь и с, это непринципиально). Выберем параметры тренда, например, по методу наименьших квадратов, т. е. из условия минимума функции. В случае линейного тренда, т. е. когда ft линейно по параметрам, решение дается в аналитическом виде. Рхли же ft нелинейно по параметрам, необходимо применять итеративные процедуры. На сегодняшний день задача {2) не представляется чересчур сложной, тем более, что соответствующие программы для ЭВМ имеются. Этот безукоризненный и логичный подход дает возможность строить прогнозы сразу для фактических значений показателя без преобразования исходного ряда.

Хотелось бы высказать несколько критических замечаний в адрес метода кумулятивных сумм, излагаемого в последней главе книги. График кумулятивных сумм отклонений с тенденцией к повышению во второй части периода (см. рис. 10.2) был построен при плохом выборе (на глаз) среднего уровня в 250 единиц. А если вычислить среднее, строго руководствуясь формулой, обнаружит ли этот метод повышение спр<ка иа 8 %? Самым слабым местом предлагаемого метода является выбор параметров а и Фактически а wb, полностью определяющие результат, задаются произвольно, причем автор, к сожалению, не раскрывает полностью даже неформальную сторону выбора этих параметров. Не лучше ли для решения этой задачи воспользоваться узке известными методами, например критерием знаков, базирующимся на классическом подходе к проверке статистических гипотез.

Прогнозирование - дело тонкое, иногда «опасное», но необходимое. Процесс построения прогноза, особенно среднесрочного, трудно, а строго говоря, и невозможно автоматизировать. Часто модели, хорошо описывающие фактические данные, оказываются непригодными для прогнозирования. Значит ли это, что формальные методы, в частности, излагаемые в книге К. Д. Льюиса, бесполезны и не нужны? Разумеется, нет. Их вредно и недооценивать, и переоценивать. С их помощью можно лучше понять процесс, вскрыть внешний (не причинно-след-1 ственный) механизм формирования уровня показателя, найти характеристики его динамики и многое другое, что невозможно сделать неформальными методами. Особенно ценен расчет стандартных ошибок и доверительных интервалов прогноза (грубо, прогноз ±2 стандартные! ошибки). Они служат хорошими критериями качества (точности)! прогноза.

В заключение повторим, что по уровню изложения книга будет доступна щирокому кругу специалистов: статистикам, экономистш, работникам ВЦ. Надеемся, что она окажется полезной, в часшети, и экономистам отраслевых научно-исс./1едовательских институ1ш, по долгу службы связанным с прогнозированием.

£. 3. Детденко

1 См., например, 136).

2 Преобразуя зависимую переменную, мы тем самым мемМЮУ1*УИКЦио-1 нала качества подгонки, делая результаты подгонки н(раШйтШщШее под-1 робно см. [35]).

См., например, [42].



ПРЕДИСЛОВИЕ

Эта книга для тех, кто хочет построить прогноз по временному ряду.

Под прогнозом здесь понимается результат экстраполяции прошлого в будущее. Предполагается, что прогнозы строятся на основе некоторых объективных правил, которые определяют совокупность вычислений и действий, необходимых для получения прогноза, тогда как под «предсказанием» будем понимать некоторые субъективные оценки будущего. Прогнозы, таким образом, представляют собой несмещенные оценки будущих значений*. Однако, если субъективные предсказания достаточно убедительно указывают на то, что несмещенные оценки будущего вряд ли возможны, прогнозы необходимо модифицировать, т. е. подправлять. Так, если известно, что большинство ваших постоянных покупателей в следующем месяце примут участие в забастовке, то «объективный» прогноз покупательного спроса, основанный на опыте предыдущих девяти месяцев, вряд ли будет правильным.

С начала шестидесятых годов число промьппленных предприятий и организаций, применяющих методы статистического анализа, неуклонно растет. В 1977 г. такими методами воспользовались в своей работе 88 % из 500 наиболее крупных промышленных компаний США, причем чаще всего это были прогностические методы.

Рост популярности прогностических методов сопровождался их теоретическим совершенствованием, но по закону Парето лишь 20 % имеющихся теоретических моделей используетсяв 80 % практических приложений, остальные 80 % моделей - в 20 % приложений,

В большинстве приложений применяются два типа прогностических моделей: экспоненциальное сглаживание и регрессия (в том числе криволинейное выравнивание). Причины несомненной популярности соответствующих методов следующие:

1) сравнительная простота;

2) экономичность вычислений;

3) возможность автоматического построения прогнозов;

4) наличие хорошего математического обеспечения.

Первая часть этой книги посвящена методам экспоненциального сглаживания, или, как их иногда называют, методам краткосрочного

* Несмещенность здесь, по-видимому, следует понимать не в математическом смысле. - Примеч. пер.



прогнозирования. Они применяются, как правило, к данным длиной не более года, таким, как месячный спрос, сумма продаж за квартал и т. д.

Во второй части книги рассматриваются методы регрессионного и криволинейного выравнивания, применяющиеся, как правило, в среднесрочном прогнозировании. При этом данные собираются за год, хотя возможно применение данных и за более короткий период при условии отсутствия сезонных колебаний.

На практике большинство прогностических методов и моделей реализуется с помощью ЭВМ или программируемых калькуляторов. Поэтому в книге приведены соответствующие блок-схемы и таблицы, что поможет читателям впрограммировании и автоматизации процедур расчетов.

К. Д. Льюис Солихалл

[Старт] [1] [ 2 ] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43]