 |
 |
 |
 |
|
 |
 |
118
для t =17—u17=35;
для t =18—u18=19;
для t =19—u19=-18;
для t =20—u20=-48;
для t =21—u21=-82.
Ясно, что экономически такой прогноз ввиду отрицательности u19, u20, u21 интерпретировать
невозможно.
МОДЕЛЬ РЕГРЕССИОННОГО ПРОГНОЗА. Модель регрессионного прогноза — широко
известный метод, при котором прогнозируемое значение u
k
рассматриваемого показателя в моменты
t
n+1
, t
n+2
... представляется как функция а факторов u1, u2,..., u
a
:
где k = n+1, n+2,...
При а= 1 имеем однофакторную модель. Формулу (8) можно рассматривать как однофакторную, где
единственным фактором является время. При наличии более одного фактора модель называется много-
факторной. Вид функции (9) и значения параметров, входящих в аналитическую формулу,
определяются по предыстории процесса.
Прогнозы по регрессионным моделям более надежны, поскольку они позволяют проводить
эксперименты на моделях, в которых учитывается большее число факторов, влияющих на развитие
процесса. Кроме того, полученные результаты всегда легко объяснить и обосновать. В силу этих
причин прогнозы по уравнениям регрессии (иначе их называют производственными функциями)
используются практически при экономическом прогнозировании всех видов: макро- и микро-,
краткосрочном и долгосрочном, частном и общем и т.д.
ПРОГНОЗИРОВАНИЕ МЕТОДОМ ВЫДЕЛЕНИЯ СОСТАВЛЯЮЩИХ ВРЕМЕННОГО РЯДА.
Все большее
применение в экономическом прогнозировании (особенно в краткосрочном) находит метод, при кото-
ром прогнозируемое значение рассматриваемого показателя в моменты времени t
n+1
, t
n+2
, ...
определяется как итог прогнозов двух (либо трех) составляющих. Имеем
U
k
= c
k
+ w
k
+ a
k
.
(10)
где k=n+1, n+2,...,
или
U
K
= c
k
+ w
k
+а
k
+а
k
(П)
где с
k
— прогнозируемое значение постоянной составляющей (тренда), образующегося под влиянием
комплекса постоянно действующих на протяжении длительного времени факторов;
w
k
— прогнозируемое значение периодической составляющей, образующейся под влиянием
комплекса периодически действующих факторов (сезонность, цикличность хозяйственных операций и
пр.);
а
k
— прогнозируемое значение автокорреляционной составляющей в случае корреляции значений
двух смежных членов исходного динамического ряда;
a
k
—значение случайной составляющей.
Модель (11) более полная по сравнению с моделью (10). Прогнозы для составляющих с
k
и w
k
могут
быть получены по моделям (8) и (9). Уравнение автокорреляции для нахождения прогнозируемого