КОНТРОЛЬНАЯ РАБОТА
по дисциплине «Планирование и прогнозирование
в условиях рынка»
на тему: Доверительные интервалы прогноза
Оценка адекватности и точности моделей
Содержание
Глава 1. Теоретическая часть. 3
Глава 2. Практическая часть. 9
Список используемой литературы.. 13
Глава
1. Теоретическаячасть
Доверительные интервалы прогноза. Оценка адекватности и точности моделей
1.1 Доверительные интервалы прогноза
Заключительным этапом применения кривых роста является экстраполяция тенденции на базе выбранного уравнения. Прогнозные значения исследуемого показателя вычисляют путем подстановки в уравнение кривой значений времени t
, соответствующих периоду упреждения. Полученный таким образом прогноз называют точечным, так как для каждого момента времени определяется только одно значение прогнозируемого показателя.
На практике в дополнении к точечному прогнозу желательно определить границы возможного изменения прогнозируемого показателя, задать "вилку" возможных значений прогнозируемого показателя, т.е. вычислить прогноз интервальный.
Несовпадение фактических данных с точечным прогнозом, полученным путем экстраполяции тенденции по кривым роста, может быть вызвано:
1. субъективной ошибочностью выбора вида кривой;
2. погрешностью оценивания параметров кривых;
3. погрешностью, связанной с отклонением отдельных наблюдений от тренда, характеризующего некоторый средний уровень ряда на каждый момент времени.
Погрешность, связанная со вторым и третьим источником, может быть отражена в виде доверительного интервала прогноза. Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде:
(1.1.),
где n- длина временного ряда;
L -период упреждения;
yn
+
L
-точечный прогноз на момент n+L;
ta
- значение t-статистики Стьюдента;
Sp
- средняя квадратическая ошибка прогноза.
Предположим, что тренд характеризуется прямой:
Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность. Погрешность параметра ао
приводит к вертикальному сдвигу прямой, погрешность параметра a1
- к изменению угла наклона прямой относительно оси абсцисс. С учетом разброса конкретных реализаций относительно линий тренда, дисперсию можно представить в виде:
(1.2.),
где - дисперсия отклонений фактических наблюдений от расчетных;
t
1
- время упреждения, для которого делается экстраполяция;
t1
= n + L
;
t
- порядковый номер уровней ряда, t = 1,2,..., n;
- порядковый номер уровня, стоящего в середине ряда,
Тогда доверительный интервал можно представить в виде:
(1.3.),
Обозначим корень в выражении (1.3.) через К. Значение К зависит только от n и L, т.е. от длины ряда и периода упреждения. Поэтому можно составить таблицы значений К или К*= ta
K . Тогда интервальная оценка будет иметь вид:
(1.4.),
Выражение, аналогичное (1.3.), можно получить для полинома второго порядка:
(1.5.),
или
(1.6.),
Дисперсия отклонений фактических наблюдений от расчетных определяется выражением:
(1.7.),
где yt
- фактические значения уровней ряда,
- расчетные значения уровней ряда,
n
- длина временного ряда,
k
- число оцениваемых параметров выравнивающей кривой.
Таким образом, ширина доверительного интервала зависит от уровня значимости, периода упреждения, среднего квадратического отклонения от тренда и степени полинома.
Чем выше степень полинома, тем шире доверительный интервал при одном и том же значении Sy
, так как дисперсия уравнения тренда вычисляется как взвешенная сумма дисперсий соответствующих параметров уравнения
Рисунок 1.1. Доверительные интервалы прогноза для линейного тренда
Доверительные интервалы прогнозов, полученных с использованием уравнения экспоненты, определяют аналогичным образом. Отличие состоит в том, что как при вычислении параметров кривой, так и при вычислении средней квадратической ошибки используют не сами значения уровней временного ряда, а их логарифмы.
По такой же схеме могут быть определены доверительные интервалы для ряда кривых, имеющих асимптоты, в случае, если значение асимптоты известно (например, для модифицированной экспоненты).
В таблице 1.1. приведены значения К*
в зависимости от длины временного ряда n
и периода упреждения L
для прямой и параболы. Очевидно, что при увеличении длины рядов (n
) значения К*
уменьшаются, с ростом периода упреждения L
значения К*
увеличиваются. При этом влияние периода упреждения неодинаково для различных значений n
: чем больше длина ряда, тем меньшее влияние оказывает период упреждения L
.
Таблица 1.1.
Значения К* для оценки доверительных интервалов прогноза на основе линейного тренда и параболического тренда при доверительной вероятности 0,9 (7).
| Линейный тренд
|
Параболический тренд
|
||
| Длина
ряда (п) |
Период упреждения (L)
1 2 3
|
длина ряда (п)
|
период упреждения (L)
1 2 3
|
| 7 | 2,6380 2,8748 3,1399 | 7 | 3,948 5,755 8,152 |
| 8 | 2,4631 2,6391 2,8361 | 8 | 3,459 4,754 6,461 |
| 9 | 2,3422 2,4786 2,6310 | 9 | 3,144 4,124 5,408 |
| 10 | 2,2524 2,3614 2,4827 | 10 | 2,926 3,695 4,698 |
| 11 | 2,1827 2,2718 2,3706 | 11 | 2,763 3,384 4,189 |
| 12 | 2,1274 2,2017 2,2836 | 12 | 2,636 3,148 3,808 |
| 13 | 2,0837 2,1463 2,2155 | 13 | 2,536 2,965 3,516 |
| 14 | 2,0462 2,1000 2,1590 | 14 | 2,455 2,830 3,286 |
| 15 | 2,0153 2,0621 2,1131 | 15 | 2,386 2,701 3,100 |
| 16 | 1,9883 2,0292 2,0735 | 16 | 2,330 2,604 2,950 |
| 17 | 1,9654 2,0015 2,0406 | 17 | 2,280 2,521 2,823 |
| 18 | 1,9455 1,9776 2,0124 | 18 | 2,238 2,451 2,717 |
| 19 | 1,9280 1,9568 1,9877 | 19 | 2,201 2,391 2,627 |
| 20 | 1,9117 1,9375 1,9654 | 20 | 2,169 2,339 2,549 |
| 21 | 1,8975 1,9210 1,9461 | 21 | 2,139 2,293 2,481 |
| 22 | 1,8854 1,9066 1,9294 | 22 | 2,113 2,252 2,422 |
| 23 | 1,8738 1,8932 1,9140 | 23 | 2,090 2,217 2,371 |
| 24 | 1,8631 1,8808 1,8998 | 24 | 2,069 2,185 2,325 |
| 25 | 1,8538 1,8701 1,8876 | 25 | 2,049 2,156 2,284 |
Глава 2. Практическая часть
Задание 1.5. Использование адаптивных методов в экономическом прогнозировании
1. Рассчитать экспоненциальную среднюю для временного ряда курса акций фирмы ЮМ. В качестве начального значения экспоненциальной средней взять среднее значение из 5 первых уровней ряда. Значение параметра адаптации а принять равным 0,1.
Таблица 1.2.
Курс акций фирмы IBM
| t
|
yt
|
t
|
yt
|
t
|
yt
|
| 1 | 510 | 11 | 494 | 21 | 523 |
| 2 | 497 | 12 | 499 | 22 | 527 |
| 3 | 504 | 13 | 502 | 23 | 523 |
| 4 | 510 | 14 | 509 | 24 | 528 |
| 5 | 509 | 15 | 525 | 25 | 529 |
| 6 | 503 | 16 | 512 | 26 | 538 |
| 7 | 500 | 17 | 510 | 27 | 539 |
| 8 | 500 | 18 | 506 | 28 | 541 |
| 9 | 500 | 19 | 515 | 29 | 543 |
| 10 | 495 | 20 | 522 | 30 | 541 |
2. По данным задания №1 рассчитать экспоненциальную среднюю при значении параметра адаптации а
равным 0,5. Сравнить графически исходный временной ряд и ряды экспоненциальных средних, полученные при а
=0,1 и а
=0,5. Указать, какой ряд носит более гладкий характер.
3. Прогнозирование курса акций фирмы IBM осуществлялось на основе адаптивной полиномиальной модели второго порядка
,
где - период упреждения.
На последнем шаге получены следующие оценки коэффициентов:
Рассчитать прогноз курса акций:
• на 1 день вперед (=1);
• на 2 дня вперед (=2).
Решение задания 1.5
1.
Определим
Найдем значения экспоненциальной средней при а
=0,1.
. а
=0,1 – по условию;
; S1
= 0,1 х 510 + 0,9 х 506 = 506,4;
; S2
= 0,1 х 497 + 0,9 х 506,4 = 505,46;
; S3
= 0,1 х 504 + 0,9 х 505,46 = 505,31 и т.д.
Результаты расчетов представлены в таблице 1.3.
2.
а
=0,5 – по условию.
; S1
= 0,5 х 510 + 0,5 х 506 = 508;
; S2
= 0,5 х 497 + 0,5 х 508 = 502,5 и т.д.
Результаты расчетов представлены в таблице 1.3.
Таблица 1.3.
Экспоненциальные средние
| t
|
Экспоненциальная средняя
|
t
|
Экспоненциальная средняя
|
||
| а
=0,1 |
а
=0,5 |
а
=0,1 |
а
=0,5 |
||
| 1 | 506,4 | 508 | 16 | 505,7 | 513,3 |
| 2 | 505,5 | 502,5 | 17 | 506,1 | 511,7 |
| 3 | 505,3 | 503,2 | 18 | 506,1 | 508,8 |
| 4 | 505,8 | 506,6 | 19 | 507,0 | 511,9 |
| 5 | 506,1 | 507,8 | 20 | 508,5 | 517 |
| 6 | 505,8 | 505,4 | 21 | 509,9 | 520 |
| 7 | 505,2 | 502,7 | 22 | 511,6 | 523,5 |
| 8 | 504,7 | 501,4 | 23 | 512,8 | 523,2 |
| 9 | 504,2 | 500,7 | 24 | 514,3 | 525,6 |
| 10 | 503,4 | 497,8 | 25 | 515,8 | 527,3 |
| 11 | 502,4 | 495,9 | 26 | 518,0 | 532,7 |
| 12 | 502,0 | 497,5 | 27 | 520,1 | 525,8 |
| 13 | 502,0 | 499,7 | 28 | 522,2 | 538,4 |
| 14 | 502,7 | 504,4 | 29 | 524,3 | 540,7 |
| 15 | 505,0 | 514,7 | 30 | 525,9 | 540,9 |
Рисунок 1.2. Экспоненциальное сглаживание временного ряда курса акций: А – фактические данные; В – экспоненциальная средняя при альфа = 0,1; С – экспоненциальная средняя при альфа = 0,5
При а
=0,1 экспоненциальная средняя носит более гладкий характер, т.к. в этом случае в наибольшей степени поглощаются случайные колебания временного ряда.
3.
Прогноз по адаптивной полиномиальной модели второго порядка формируется на последнем шаге, путем подстановки в уравнение модели последних значений коэффициентов и значения - времени упреждения.
Прогноз на 1 день вперед (= 1):
(дол.)
Прогноз на 2 дня вперед (= 2):
(дол.)
Список используемой
литературы
1. Дуброва Т.А. Статистические методы прогнозирования в экономике: Учебное пособие / Московский государственный университет экономики, статистики и информатики. – М.: МЭСИ, 2003. – 52с.
2. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование М.: Финансы и статистика, 2001.
3. Лукашин Ю.П. Регрессионные и адаптивные методы прогнозирования. Учебное пособие. – М.: МЭСИ, 1997.