Рассмотрим модельмножественной регрессии для линейного случая. Она записывается в следующем виде:
где α i — коэффициенты модели; yj, xij — соответственно значения j-йфункции (зависимой переменной) и i-й независимой переменной; i = 0, n; j =1, N, ε j — случайная ошибка; n — число независимыхпеременных в модели (в ряде случаев полагается, что αi , — свободный член и x0 j = 1).Неизвестные коэффициенты модели присутствуют из условия минимального количества функционала рассогласований, который являет из себя необходимую сумму квадратов рассогласований реальных значений зависимой переменной и значений. Получение прогнозов при помощи многофакторных регрессионных моделей представляет неизменность значений коэффициентов данных моделей во времени. И все же, в ходе исследования объекта вполне вероятно появление свежей информации, что дозволяет при помощи рекуррентного оценивания корректировать значения оценок коэффициентов моделей. Вмести с этим начальная информация сможет содержать внутри себя разные динамики перемены независимых переменных, которые образуются вследствие разных «режимов» функционирования исследуемого объекта. В такой ситуации существенным считается, как сам прецедент установления отличия динамик процессов на различных временных промежутках, так и выбор такового промежутка для возведения на нем модели прогнозирования, который был бы наиболее адекватным грядущему поведению объекта. Построение адекватных регрессионных моделей для целей прогнозирования при помощи метода наименьших квадратов предъявляет к начальной информации очень строгие требования. В ряде случаев данные требования для реальных наблюдений оказываются невыполненными, потому получаемые оценки оказываются неэффективными, а прогноз — недостоверным.
На самом деле, требование нормальности распределения погрешностей, предъявляемое к начальной информации операцией метода наименьших квадратов, в большом количестве случаев оказывается невыполненным. Так, говорится: «Нормальность — это домысел. В настоящем мире ни разу не было и никогда не будет обычного распределения». Вследствие этого последние несколько лет интенсивно разрабатывается свежее направление в статистике — так именуемая робастная статистика, миссия которой в том и состоит, чтобы получать действенные оценки в случаях невыполнения каких-либо предпосылок, к примеру, нормальности распределения, наличия аномальных наблюдений. Применение робастных методов получения статистических оценок для информации, содержащей ненормальные «выбранные» наблюдения, разрешает существенно увеличить надежность получаемых оценок в сравнении с простым методом наименьших квадратов.
3.4. Теория распознавания образов
Очень многообещающим сегодня считается применение для прогнозирования методов теории распознавания образов. Именно с применением данной теории решается ансамбль задач, имеющих весомое значение в прогнозировании. Уже применение экстраполяционных методов для прогнозирования временных рядов подразумевает однородность динамики. На самом деле, начальный временной ряд, являющийся основой прогнозирования какого-либо процесса, имеет возможность содержать внутри себя интервалы, внутри которых динамика характеризуется явными отличными от иных промежутков критериями. Естественно, данные интервалы на перспективу искажают приобретенный прогнозный итог. В связи с этим возникает потребность точного выделения тех промежутков, для которых отличительна однородная динамика. Решение данного вопроса отлично реализуется при помощи методов теории распознавания образов. Другим существенным приложением теории распознавания образов для получения прогнозов считается описание и моделирование поведения некоторого объекта по набору показателей, характеризующих поведение данного объекта.
Процедура моделирования на базе методов распознавания образов состоит в том, что выбираются классы состояний исследуемых объектов, которые могут быть установлены как спектрами перемены каких-либо характеристик, так и определенными качественными чертами. По совокупности признаков, характеризующих со стояние объектов, присутствует соотношение принадлежности каждого нового объекта (либо объекта в дальнейшем понятии времени) к конкретному классу. Данное разрешает дать прогноз состояния объекта либо показать спектр конфигурации характеристик, определяющих его на ожидаемый период. Одной из главнейших трудностей, образующихся при получении точных прогнозов, считается оценка начальной информации.
При прогнозировании развития сложной системы возникает ситуация, когда поведение системы быть может описано при помощи множества всевозможных характеристик. Реализация прогнозов по всей совокупности данных характеристик приводит к потребности предусматривать и взаимосвязи между ними, что порой бывает очень затруднительно. Ситуация облегчается, когда для реализации прогнозов применяется аппарат распознавания образов и прогнозируются вероятные варианты развития сложной системы. В связи с этим существенной считается проблема определения качества начальной информации, т. е. рассматриваемых характеристик, для вероятного описания исследуемой системы. Интересным считается при построении прогнозных моделей применение сочетаний методов, к примеру, регрессионного анализа и распознавания образов.
3.5. Адаптивные методы прогнозирования
Считается, что отличительной чертой адаптивных методов прогнозирования считается их способность непрерывно предусматривать эволюцию динамических данных изучаемых действий, «подстраиваться» под данную эволюцию, придавая, например, тем больший вес и тем более высшую информационную ценность наличествующим наблюдениям, чем ближе они к текущему моменту прогнозирования. Впрочем деление методов и моделей на «адаптивные» и «неадаптивные» довольно условно. В известном смысле каждый способ прогнозирования адаптивный, так как все они предусматривают вновь поступающую информацию, даже исследования, произведенные с этапа заключительного прогноза. Общее значение термина содержится, по-видимому, в том, что «адаптивное» прогнозирование разрешает обновлять прогнозы с малой задержкой и при помощи сравнительно простых математических операций. Впрочем, данное не значит, что в любой ситуации адаптивные методы успешнее тех, которые обычно не относятся к таковым. Заключение
Задача прогнозирования — прежде всего сделать научные предпосылки для их воплощения. Эти предпосылки включают: научный анализ направленностей становления экономики; вариантное предвидение ее грядущего становления, учитывающее как образовавшиеся тенденции, так и намеченные цели; оценку вероятных результатов принимаемых решений. Объяснение направлений социально-экономического прогнозирования содержится в том, чтобы, с одной стороны, узнать перспективы обозримого либо наиболее отдаленного будущего в исследуемой области, оперируя настоящими экономическими действиями, сформировать цели становления, а с другой — содействовать выработке подходящих планов, делая упор на составленный прогноз и оценку принятого решения с позиций его результатов в прогнозном периоде. Прогнозирование экономических действий исполняется в узком единстве с иными видами прогнозирования: социальным, политическим, демографическим, технологическим, развития базы естественных ресурсов и др.
Методы экономического планирования и прогнозирования возможно поделить на интуитивные и формализованные. Интуитивные методы прогнозирования применяются тогда, когда нельзя учитывать воздействие множества факторов вследствие значительной трудности объекта прогнозирования. Тогда применяются оценки экспертов. При всем при этом распознают индивидуальные и коллективные экспертные оценки. Последние несколько лет все большее внимание уделяется исследованию и прогнозированию финансовых временных рядов с применением теории динамических систем, теория хаоса. Это довольно свежая область, которая представляет из себя пользующийся популярностью и энергично развивающийся раздел. Методы математической статистики, случайных процессов и пр.
сильно ограничены жесткими статическими предположениями, определяющими свойства временных рядов. Традиционные статистические модели не могут адекватно описать множество реальных процессов ввиду того, что данные процессы имеют хаотическую либо смешанную основу и, по сути, существенно нелинейны. Для решения задач прогнозирования в данной ситуации можно применять специальные искусственные сети. Данные сети при наличии обучающих последовательностей реализуют прогнозные функции. Основу нейроинтеллекта составляет искусственная система с нейронной организацией и биологическими предпосылками. Впервые значение нейронных сетей показали В. Мак-Калох и В. Питс в 1943 г. Список использованных источников
Антохонова И. В. Методы прогнозирования социально-экономических процессов: учеб. пособие. — Улан-Удэ: Изд-во ВСГТУ, 2004
Джон Мидлтон. Библиотека избранных трудов о стратегии бизнеса. Пятьдесят наиболее влиятельных идей всех времен / Пер. с англ. —
М.: ЗАО «Олимп-Бизнес», 2006. — 272 с. 7. Диксон П. Бизнес-тренды: Стратегическое моделирование будущего.
— М.: Эксмо, 2005. — 480 с. 8. Жихаревич Б. С, Лебедева Н. А. Стратегическое планирование на муниципальном уровне: принципы использования в современных российских условиях // Гуманитарные науки, 2007. № 8. С.40−47. Кричевский М. Л. Интеллектуальные методы в менеджменте.
— СПб.: Питер, 2005. 17. Лапыгин Ю. Н. Стратегический менеджмент. — М.: Инфра-М, 2006.
— 245 с. 19. Миддлтон Д. Библиотека избранных трудов стратегии бизнеса. Пятьдесят наиболее влиятельных идей всех времен / Д.Миддлтон. -
М.: Издательство «ОЛИМП-БИЗНЕС», 2006. 272 с. Нанивская В. Г., Андронова И. В. Теория экономического прогнозирования: учеб. пособие. — Тюмень: Тюм
ГНГУ, 2000
Прогнозирование национальной экономики: Учебник / Г. А. Парсаданов, В. В. Егоров. — М.: Высш. шк., 2002. 24. Стратегический менеджмент: учебник / Пер.
с англ. Н. И. Алмазовой. — М.: ООО «Издательство Проспект», 2003. — 336 с. 27. Терехов С. А. Моделирование данных стохастическими Гауссовыми процессами и случайными полями: Лекция для школы-семинара «Современные проблемы нейроинформатики».
— М.: МИФИ, 23— 26 января 2008 года 26. Ханк Д. Э., Уичерн Д. У., Райте А.Жд. Бизнес-прогнозирование. 7-е изд. / Пер.
с англ. — М.: Издательский дом «Вильямс», 2003. — С. 107. 32.
