Статистический анализ для диссертаций на заказ
Статистика в медицинских и биологических исследованиях Статьи по статистическому анализу Диссертации Книги для научной работы Статистический анализ для диссертаций на заказ
заказать статистический анализ для диссертации

Статистический анализ для диссертаций на заказ

Мы консультируем по всем вопросам статистического анализа в медико-биологических исследованиях, и, при необходимости, помогаем его провести 

Подробнее>>>


 

 


Заказать статистический анализ для диссертации Обратная связь

SiteHeart

278679709

 

Расчет тенденций развития экономических показателей

Регрессия и прогнозирование

Выше был рассмотрен ряд различных подходов, применяемых в регрессионном анализе при описании взаимосвязи переменных. Различие этих подходов связано в основном с особенностью применяемых для оценивания регрессии данных и основных гипотез относительно свойств этих данных. В качестве исходных данных могут быть взяты выборочные наблюдения и динамические ряды. В первом случае при условии, что принятые предположения относительно свойств случайных ошибок εi оправданы, в качестве инструмента прогноза применяются регрессии на независимые переменные или средние величины.

Исходной статистической базой для прогноза значительно чаще, чем случайная выборка, являются динамические ряды. Тогда в качестве инструментов прогноза выступают тренды , авторегрессии, регрессии на независимые переменные (без включения в качестве независимой переменной времени и включая эту переменную), смешанные авторегрессии. Выбор адекватного подхода зависит от того, обнаружены экзогенные факторы, влияющие на значение зависимой переменной, или нет, влияют ли на зависимую переменную предшествующие значения этой же переменной и т.д. В целом процесс выбора инструмента прогноза можно изобразить в виде следующей схемы. Как видно из дан-ной схемы регрессии в широком смысле слова (т.е. включая уравнения трендов) играют преобладающую роль в прогнозировании статистических разработок.

Когда регрессия специфицирована и оценены ее параметры, она может быть применена для прогнозирования. Оценка прогностических величин получается с помощью простой операции подстановки в регрессию значений независимых переменных. Таким образом, прогноз на основе уравнения регрессии является условным типа “если независимые переменные равны таким-то величинам, то зависимая переменная составит такую-то величину”. Отсюда непосредственно следует, что применение регрессий для прогнозирования предполагает решение по крайней мере трех проблем.

Первая из них связана с необходимостью определения значений независимых переменных на период упреждения. Следовательно, точность прогноза определяется не только точностью самого уравнения регрессии, но и тем, насколько надежно оценены будущие значения независимых переменных. В связи с этим может возникнуть впечатление, что задача прогнозирования не решается, а лишь отодвигается. Фактически это не совсем так. Действительно, значения независимых переменных определяются вне рамок прогностической модели на основе дополнительной информации. Например, прогноз потребления населением какой-либо группы товаров можно получить, используя в регрессии прогнозы численности населения и уровня его дохода. В качестве такой дополнительной информации выступают плановые показатели, варианты ожидаемых решений экономического или политического, социального или, наконец, юридического порядка. Часто значения независимых переменных – это показатели другого прогноза, получаемого в большинстве случаев на основе статистических методов – экстраполяции трендов и т.д. Иногда значения независимых переменных определяются экспертным путем.

Вторая проблема заключается в трансформации точечных прогнозов (оценок значений зависимой переменной) в интервальные. Эта проблема решается с помощью построения доверительных интервалов. Если для линейных регрессий метод определения доверительных интервалов на основе ошибок параметров решен, то в случае нелинейной регрессии и нелинейного оценивания параметров приходится применять весьма приближенные приемы определения таких интервалов.

Третья проблема, на которую следует обратить внимание, заключается в применимости уравнений регрессии для оценок значений зависимой переменной вне диапазона наблюдений зависимой и независимой переменных. В практических прогностических исследованиях чаще всего приходится именно выходить за рамки наблюдений, т.е. прибегать к экстраполяции. Можно полагать, что и в таких случаях регрессионные уравнения окажутся практически полезным инструментом прогнозирования. Так, если выход за рамки диапазона наблюдений незначительный, то погрешность, связанная с этим (т.е. с тем, что вне диапазона наблюдений форма, а иногда и направление взаимосвязи, может измениться), будет, как правило, незначительной и с лихвой охватывается доверительным интервалом. Чем дальше выходит прогноз за пределы наблюдений, тем, естественно, выше вероятность погрешности такого рода. Таким образом, риск получения ошибочной оценки возрастает. Короче говоря, получаемые оценки имеют ценность в той мере, в какой есть основание полагать, что принятая форма взаимосвязи может быть распространена на некоторую область за пределами наблюдений. Таким образом, применение регрессий требует в явном виде сформулированной гипотезы о сохранении формы взаимосвязи. Практика знает случаи, когда такая гипотеза в общем не являлась приемлемой и все же для прогнозирования были использованы регрессии, поскольку иной измеритель нельзя было получить, так как “лучше плохая мера, чем отсутствие какой-либо меры”. Известны случаи, когда с помощью регрессий на ряд технических характеристик изделия (причем эти характеристики в практике еще не были достигнуты, например, некоторая дальность беспосадочного полета новой модели самолета, его скорость, потолок полета и т.д.) оценивалась его себестоимость. Как правило, такие регрессии давали существенно заниженные результаты. И все же они оказались практически полезными с учетом полученного опыта о направлении и размерах итоговых погрешностей.

Экономическая модель

В практике редко наблюдаются случаи, когда в прогностических целях достаточно получить изолированную оценку. Обычно объект прогноза может быть более или менее удовлетворительно описан лишь с помощью целого ряда характеристик, часть которых или даже все являются взаимозависимыми. Раздельное прогнозирование подобных экономических показателей с помощью рассмотренных выше предикторов (трендов, уравнений регрессии) почти неминуемо приводит к тому, что полученные оценки, естественно, не будут сбалансированными. Прогнозы, увязанные в единую логически непротиворечивую систему, получают с помощью прогностических экономико-математических моделей. Именно внутренняя согласованность модельных прогнозов, являющаяся следствием учета в модели различных существенно важных для объекта исследования взаимосвязей, является основным их достоинством.

Очень важным является то, что при применении экономико-математических моделей зависимость результата от ряда сделанных предположений выступает в явном виде. Это обстоятельство существенно облегчает анализ целенаправленного генерирования новых вариантов прогноза, связанных с изменением первоначально принятых условий.

Коль скоро исследуемая система адекватно отображается и воспроизводится моделью, то последняя как бы содержит в себе множество вариантов поведения такой системы. Следовательно, в определенных рамках модель может замещать изучаемую систему в ходе проведения расчетных (или модельных) экспериментов, целью которых является выяснение возможной картины будущего развития и предсказание значений одних переменных в зависимости от изменения других.

Инструментами прогнозирования, учитывающего требования системного подхода к получению прогностических показателей, могут являться различные виды экономико-математических моделей, среди которых наибольшее значение для системного прогностического анализа имеют экономические модели. Опыт показывает, что прогнозы, получаемые на основе экономических моделей, не обязательно точнее прогнозов, получаемых более простыми средствами, например, путем экстраполяции трендов или применения автокорреляционных уравнений. Преимущество модельных прогнозов, как было показано выше, лежит в иной плоскости - в непротиворечивости системы прогностических оценок, в возможности получения вариантов прогноза, в прямом выражении связи прогностических оценок с различными внешними влияниями.

Структурная форма модели

Основу эконометрической модели составляет система регрессионных уравнений, каждое из которых отображает одну из зависимостей, закономерностей изменения. Свойств изучаемого сложного объекта. Помимо регрессий в модель могут быть включены выражения, описывающие тренды развития отдельных явлений, и тождества, характеризующие балансовые увязки между переменными, или уравнения, увязывающие между собой отдельные характеристики модели во времени (динамический вариант модели).

 

Оглавление

 

 

 

  заказать статистический анализ для диссертации
Статистический анализ для диссертаций на заказ

Рейтинг@Mail.ru