Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Алгоритм построения линейной адаптивной модели брауна ⇐ ПредыдущаяСтр 7 из 7
1. По первым 5-10 точкам временного ряда методом наименьших квадратов оценивают начальные значения параметров и линейной модели. 2. На основе и вычисляют начальные значения экспоненциальных средних, которые соответствуют моменту времени t =0: , . 3. С учетом выбранного значения параметра сглаживания α или коэффициента дисконтирования данных () вычисляют значения экспоненциальных средних в последующий момент времени: , . 4. Корректируют параметры линейной модели и по формулам: , . 5. По модели со скорректированными параметрами и находят прогноз на следующий момент времени: . 6. Возврат к пункту 3, если. Если t = T, то модель с параметрами и принимают за основу для прогнозирования на шагов вперёд. 7. Расчет показателей точности модели: средней квадратичной ошибки аппроксимации – остатки; средней относительной ошибки аппроксимации:. 8. Точечный и интервальный прогноз. Алгоритм расчета параметров квадратичного прогнозирующего полинома Адаптивная полиномиальная модель второго порядка имеет вид: . 1. По первым 5-10 точкам исходных данных находят оценки,, коэффициентов квадратичной модели по методу наименьших квадратов. Таким образом, получают начальные значения параметров квадратичной модели, которые соответствуют моменту времени t =0. 2. Вычисляют начальные значения экспоненциальных средних (с учетом выбранного значения параметра сглаживания α или коэффициента β: ; ; . 3. Рассчитывают значения экспоненциальных средних в последующий момент времени t: ;;. 4. Корректируют параметры квадратичной модели по формулам: ; ; . Отметим, что в формулах участвует коэффициент β дисконтирования данных, отражающий большую степень доверия более поздним наблюдениям. 5. По модели Брауна со скорректированными коэффициентами находят прогноз на следующий момент времени:. 6. Переход к пункту 3, если. Если, то построенную модель принимают за основу прогнозирования будущих значений ряда. 7. Расчет показателей точности модели: вычисление среднего квадратичного отклонения и средней относительной ошибки аппроксимации. 8. Точечный и интервальный прогноз. Здесь так же, как и в случае линейной модели, оптимальное значение параметра сглаживания находят многократным построением модели при разных значениях и выбором наилучшего значения в целях повышения точности аппроксимации исходного ряда и снижения ошибки прогнозирования. В данной работе за наилучшую модель принимается модель с наименьшей средней относительной ошибкой аппроксимации.
Пример расчета линейной адаптивной модели прогнозирования процентной ставки кредитных организаций Ниже рассматривается динамический ряд значений средних процентных ставок кредитных организаций России по краткосрочным кредитам в долларах США (% годовых). Данные показатели играют важную роль в финансовой сфере деятельности предприятий, а так же реальных физических лиц. С точки зрения экономистов увеличение процентной ставки на кредиты может привести к росту инфляции, ибо при этом деньги становятся дешевле (обесцениваются). Так что научно-обоснованный прогноз таких процентных ставок имеет важное значение в управлении экономикой. Таблица 8 Ставки по краткосрочным кредитам нефинансовым организациям
Источник: Официальный сайт Центрального Банка РФ: http://www.cbr.ru.
На первом этапе работы по первым 10 точкам находятся начальные коэффициенты для линейной модели согласно методу наименьших квадратов. Таким образом, строится модель линейной регрессии со следующими статистическими характеристиками: коэффициентом парной корреляции; стандартной ошибкой регрессии; критерием. Согласно таблице определяем значение, где и – количество степеней свободы; – уровень значимости. В данном случае – количество факторов, включенных в модель,,,. Так как, на этом основании при заданном уровне значимости построенная линейная модель является адекватной экспериментальным данным, т. е. признается статистически значимой. Коэффициент линейной корреляции указывает на значимую обратную связь, т. е. с течением времени процентная ставка снижается. Вычисленные коэффициенты линейной модели выбираются в качестве начальных оценок при построении адаптивной модели и корректируются в ходе реализации алгоритма, изложенного выше. При этом используются программные средства Microsoft Excel. Ниже приводится таблица 9, иллюстрирующая алгоритм расчета с параметром сглаживания, соответствующим наименьшей средней относительной ошибке аппроксимации исходного ряда.
Таблица 9 Расчет параметров линейной адаптивной модели
Здесь t – условное обозначение времени; – фактическое значение процентной ставки; – коэффициенты модели; – экспоненциальные средние; – расчетное значение по модели; – отклонение от фактического значения. Таким образом, получены следующие значения параметров линейной адаптивной модели: = 8,578; =-0,009. Здесь среднеквадратическая ошибка аппроксимации; средняя относительная ошибка аппроксимации, что составляет 9,9%. Так построена линейная адаптивная модель: (с параметром сглаживания). Для выбора лучшей модели была вычислена средняя относительная ошибка аппроксимации для различных параметров сглаживания, результаты расчета приведены в таблице 10. Таблица 10 Значения (,) для линейной модели
В ряде случаев экономико-математические модели прогнозирования могут быть полезным инструментом исследования. При этом, конечно, для увеличения точности прогнозов экономического развития в изменяющихся условиях, в условиях неопределенности или неполной информации необходима работа по совершенствованию моделей. Важную роль в этом должны сыграть адаптивные методы прогнозирования. Отличие адаптивных моделей от других прогностических моделей состоит в том, что они отражают текущие свойства ряда и способны непрерывно учитывать эволюцию динамических характеристик изучаемых процессов.
Литература
1. Гришин А.Ф., Кочерова Е.В. Статистические модели: построение, оценка, анализ: Учеб. пособ. – М.: Финансы и статистика, 2005. – 416 с. 2. Лопатников Л.И. Экономико-математический словарь: Словарь современной экономической науки. – М.: Дело, 2003. – 520 с. 3. Елисеева И.И., Юзбашев М.М. Общая теория статистики: Учебник. – М.: Финансы и статистика, 1995. – 368 с. 4. Тьюки Дж. У. Анализ результатов наблюдений. Разведочный анализ. Пер. с англ. – М.: Мир, 1981. – 695 с. 5. Джонсон Н., Лион Ф. Статистика и планирование эксперимента в технике и науке. Методы обработки данных. Пер. с англ. – М.: Мир, 1980. – 612 с. 6. Швырков В.В. Тайна традиционной статистики Запада. – М.: Финансы и статистика, 1998. – 144 с. 7. Салин В.Н., Чурилова Э.Ю. курс теории статистики для подготовки специалистов финансово-экономического профиля: Учебник. – М.: Финансы и статистика, 2006. – 480 с. 8. Колемаев В.А. Теория вероятностей и математическая статистика: Учеб. пособ. – М.: Высш. школа, 1991. – 399 с. 9. Кулаичев А.П. Методы и средства анализа данных в среде Windows. STADIA. – М.: Информатика и компьютеры, 1999. – 341 с. 10. Радченко С.Г. Устойчивые методы оценивания статистических моделей: Монография. – Киев: Санспарель, 2005. – 504 с. 11. Математический энциклопедический словарь/под ред. Ю.В. Прохорова. – М.: Советская энциклопедия, 1988. – 845 с. 12. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: Учеб. пособ. – М.: «Дашков и К°», 2005. – 400 с. 13. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособ. – М.: Финансы и статистика, 2003. – 416 с. 14. Домбровский В.В. Эконометрика: Учебник. – М.: Новый учебник, 2004. – 342 с. 15. Орлова И.В., Половников В.А. Экономико-математические методы и модели: компьютерное моделирование: Учеб. пособ. – М.: Вузовский учебник, 2007. – 365 с.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2021-01-08; просмотров: 163; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.118.120.109 (0.112 с.) |