Анализ методов прогнозирования
Рефераты >> Международные отношения >> Анализ методов прогнозирования

Прямые экспертные оценки по признаку аппарата реализации делятся на виды экспертного опроса и экспертного анализа. В первом случае используются специальные процедуры формиро­вания вопросов, организации получения на них ответов, обработ­ки полученных ответов и формирования окончательного резуль­тата. Во втором — основным аппаратом исследования является целенаправленный анализ объекта прогнозирования со стороны эксперта или коллектива экспертов, которые сами ставят и реша­ют вопросы, ведущие к поставленной цели.

Экспертные оценки с обратной связью в своём аппарате име­ют три вида методов: экспертный опрос; генерацию идей; игровое моделирование. Первый вид характеризуется процедурами регла­ментированного неконтактного опроса экспертов перемежающими­ся обратными связями в рассмотренном выше смысле. Второй — построен на процедурах непосредственного общения экспертов в процессе обмена мнениями по поставленной проблеме. Он характеризуется отсутствием вопросов и ответов и направлен на взаимное стимулирование творческой деятельности экспертов. Третий вид использует аппарат теории игр и ее прикладных раз­делов. Как правило, реализуется на сочетании динамического взаимодействия коллективов экспертов и вычислительной маши­ны, имитирующих объект прогнозирования в возможных будущих ситуациях.

Наконец, последний, четвертый, уровень классификации под­разделяет виды методов третьего уровня на отдельные методы и группы методов по некоторым локальным для каждого вида совокупностям классификационных признаков, из которых ука­зать один общий для всего уровня в целом невозможно.

2.2 Экстраполяционные методы прогнозирования

Методы экстраполяции тенденций являются, пожалуй, самыми распространенными и наиболее разработанными среди всей сово­купности методов прогнозирования. Использование экстраполяции в прогнозировании имеет в своей основе .предположение о том, что рассматриваемый процесс изменения переменной представля­ет собой сочетание двух составляющих—регулярной и случайной:

(1.2.2)

Считается, что регулярная составляющая f(a, х) представляет собой гладкую функцию от аргумента (в большинстве случаев— времени), описываемую конечномерным вектором параметров а, которые сохраняют свои значения на периоде упреждения про­гноза. Эта составляющая называется также трендом, уровнем, детерминированной основой процесса, тенденцией. Под всеми этими терминами лежит интуитивное представление о какой-то очищенной от помех сущности анализируемого процесса. Интуи­тивное, потому что для большинства экономических, технических, природных процессов нельзя однозначно отделить тренд от слу­чайной составляющей. Все зависит от того, какую цель пресле­дует это разделение и с какой точностью его осуществлять.

Случайная составляющая n(х) обычно считается некоррели­рованным случайным процессом с нулевым математическим ожи­данием. Ее оценки необходимы для дальнейшего определения точностных характеристик прогноза.

Экстраполяционные методы прогнозирования основной упор делают на выделение наилучшего в некотором смысле описания тренда и на определение прогнозных значений путем его экстра­поляции. Методы экстраполяции во многом пересекаются с мето­дами прогнозирования по регрессионным моделям. Иногда их различия сводятся лишь к различиям в терминологии, обозначе­ниях или написании формул. Тем не менее сама по себе прогнозная экстраполяция имеет ряд специфических черт и приемов, позво­ляющих причислять ее к некоторому самостоятельному виду методов прогнозирования.

Специфическими чертами прогнозной экстраполяции можно назвать методы предварительной обработки числового ряда с целью преобразования его к виду, удобному для прогнозирова­ния, а также анализ логики и физики прогнозируемого процесса, оказывающий существенное влияние как па выбор вида экстра­полирующей функции, так и на определение границ изменения ее параметров.

2.2.1 Предварительная обработка исходной информации в задачах прогнозной экстраполяции

Предварительная обработка исходного числового ряда направ­лена на решение следующих задач (всех или части из них): сни­зить влияние случайной составляющей в исходном числовом ряду, т. е. приблизить его к тренду; представить информацию, содержащуюся в числовом ряду, в таком виде, чтобы существенно снизить трудность математического описания тренда. Основными методами решения этих задач являются процедуры сглаживания и выравнивания статистического ряда.

Процедура сглаживания направлена на минимизацию случай­ных отклонений точек ряда от некоторой гладкой кривой пред­полагаемого тренда процесса. Наиболее распространен способ осреднения уровня по некоторой совокупности окружающих точек, причем эта операция перемещается вдоль ряда точек, в связи с чем обычно называется скользящая средняя. В самом простом варианте сглаживающая функция линейна и сглаживающая груп­па состоит из предыдущей и последующей точек, в более слож­ных — функция нелинейна и использует группу произвольного числа точек.

Сглаживание производится с помощью многочленов, прибли­жающих по методу наименьших квадратов группы опытных точек. Наилучшее сглаживание получается для средних точек группы, поэтому желательно выбирать нечетное количество точек в сглаживаемой группе.

Сглаживание даже в простом линейном варианте является во многих случаях весьма эффективным средством выявления тренда при наложении на эмпирический числовой ряд случайных помех и ошибок измерения. Для рядов со значительной ампли­тудой помехи имеется возможность проводить многократное сгла­живание исходного числового ряда. Число последовательных циклов сглаживания должно выбираться в зависимости от вида исходного ряда, от степени предполагаемой его зашумленности помехой, от цели, которую преследует сглаживание. Надо иметь при этом в виду, что эффективность этой процедуры быстро уменьшается (в большинстве случаев), так что целесообразно повторять ее от одного до трех раз.

Линейное сглаживание является достаточно грубой процеду­рой, выявляющей общий приблизительный вид тренда. Для более точного определения формы сглаженной кривой может применять­ся операция нелинейного сглаживания или взвешенные скользящие средние. В этом случае ординатам точек, входящих в сколь­зящую группу, приписываются различные веса в зависимости от их расстояния от середины интервала сглаживания.

Если сглаживание направлено на первичную обработку число­вого ряда для исключения случайных колебаний и выявления тренда, то выравнивание служит целям более удобного представ­ления исходного ряда, оставляя прежними его значения.

Наиболее общими приемами выравнивания являются логариф­мирование и замена переменных.

В случае если эмпирическая формула предполагается содер­жащей три параметра либо известно, что функция трехпарамет­рическая, иногда удается путем некоторых преобразований иск­лючить один из параметров, а оставшиеся два привести к одной из формул выравнивания.


Страница: