Podstawowe zagadnienia prognozowania - Notatki - Ekonometria, Notatki'z Ekonometria
hermiona80
hermiona8031 May 2013

Podstawowe zagadnienia prognozowania - Notatki - Ekonometria, Notatki'z Ekonometria

PDF (3.9 MB)
10 strona
932Liczba odwiedzin
Opis
Ekonomia: notatki z zakresu ekonometrii dotyczące podstawowych zagadnień z prognozowania.
20punkty
Punkty pobierania niezbędne do pobrania
tego dokumentu
Pobierz dokument
Podgląd3 strony / 10
To jest jedynie podgląd.
Zobacz i pobierz cały dokument.
To jest jedynie podgląd.
Zobacz i pobierz cały dokument.
To jest jedynie podgląd.
Zobacz i pobierz cały dokument.
To jest jedynie podgląd.
Zobacz i pobierz cały dokument.
WYDZIAŁ EKONOMICZNY UMCS

1

Prognozowanie i symulacje -

1. Podstawowe zagadnienia prognozowania

1.1.Definicja i istota prognozowania

Prognozowanie oznacza przewidywanie przyszłości. Prognozowanie gospodarcze jest przewidywaniem kształtowania się zjawisk i procesów gospodarczych w przyszłości, przy czym nie jest to dowolne

przewidywanie, lecz przewidywanie oparte na naukowych podstawach. Synonimem terminu prognozowanie jest określenie „predykcja”. Prognoza jest sądem o przyszłych stanach zjawisk i zdarzeń sformułowanym w trakcie procesu

prognozowania. 1.2.Klasyfikacje prognoz

Klasyfikacja prognoz może być przeprowadzana według różnych kryteriów klasyfikacyjnych. Stosując horyzont prognozy jako kryterium klasyfikacyjne wyróżnia się trzy rodzaje prognoz gospodarczych: prognozy krótkoterminowe, prognozy średnioterminowe, prognozy długoterminowe. Uwzględniając

kryteriumfunkcji spełnianych przez prognozy można wyróżnić ich dwa rodzaje: prognozy operacyjne, prognozy strategiczne. Według kryterium charakteru prognozowanych zjawisk wyróżnia się prognozy

ilościowe oraz prognozy jakościowe. Kolejnym kryterium klasyfikacja prognoz gospodarczych może być cel prognoz.Stosując to kryterium można wskazać trzy rodzaje prognoz gospodarczych: prognozy badawcze, prognozy ostrzegawcze, prognozy normatywne. Ze względu na kryterium zasięgu prognoz

można wskazać dwa rodzaje prognoz gospodarczych: prognozy makroekonomiczne oraz prognozy mikroekonomiczne.

1.3.Podstawowe pojęcia prognozowania

Wyprzedzenie prognozy jest to liczba jednostek czasu, jaka upływa od teraźniejszości do okresu prognozowania. Prognozą dopuszczalną jest taka prognoza, która w świetle przyjętego kryterium może

być uznana za dostatecznie dokładną lub wiarygodną. Horyzont prognozy jest to najdłuższy okres lub moment w przyszłości, w którym prognoza jest dopuszczalna w świetle przyjętego kryterium.

1.4.Najważniejsze zasady prognozowania

Przy wyznaczaniu prognoz ilościowych najczęściej stosuje się zasadę predykcji nieobciążonej - predykacja sprowadza się do wyznaczenia prognozy na poziomie wartości oczekiwanej zmiennej

prognozowanej w okresie prognozowanym. Jeżeli nie można oczekiwać, że w przyszłości powtórzą się warunki, w jakich nastąpi realizacja zmiennej prognozowanej można dokonywać prognozowania według zasady największego prawdopodobieństwa - predykcja polega na wyznaczeniu prognozy na poziomie

równym wartości modalnej rozkładu zmiennej prognozowanej w okresie prognozowania. Kolejną zasadą prognozowania w ekonomii i gospodarce jest zasada minimalizacji oczekiwanej straty związanej z

popełnieniem błędu podczas wyznaczania prognozy - za najlepszą wartość prognozy przyjmuje się minimalizację wartości oczekiwanej straty według określonej funkcji

1.5.Etapy procesu prognozowania

Proces prognozowania składa się z następujących, podstawowych etapów: 1. Definicji problemu prognostycznego.

2. Zebrania danych statystycznych i ich analizy. 3. Wyboru metody prognozowania. 4. Postawienia prognozy.

5. Oceny trafności prognozy. 1.6.Błędy prognoz

Dwoma podstawowymi rodzajami mierników dokładności i trafności prognoz są: 1. Mierniki dokładności prognoz ex ante - służą do oceny oczekiwanych wielkości odchyleń

rzeczywistych wartości zmiennej prognozowanej od postawionych prognoz

2. Mierniki dokładności prognoz ex post - wyrażają zaobserwowane odchylenia realizacji zmiennej prognozowanej od postawionych prognoz.

2. Prognozowanie na podstawie szeregów czasowych

2.1.Metody naiwne w prognozowaniu

Najprostszymi metodami wykorzystywanymi do wyznaczania prognoz są metody naiwne. Ze względu na

2

prostotę są one najczęściej wykorzystywanymi metodami w praktyce. Obliczenie prognozy polega na skorygowaniu wartości z okresu poprzedniego o pewną wielkość.

Przykładowo:

1. 1 *

tt yy -prognoza równa jest wartości z okresu poprzedniego. Ma zastosowanie gdy występuje stały poziom zjawiska w czasie i wahania przypadkowe.

2. Cyy tt 1 *

- prognoza równa jest wartości z okresu poprzedniego powiększona o pewną stałą

wielkość C ustaloną z góry. Ma zastosowanie gdy występuje liniowa tendencja rozwojowa i wahania przypadkowe.

3. 2 1

1 1

2

1

2

3

2

2

1 1

* t t

t t

t

t

t

t tt

y

y y

y

y

y

y

y

y yy  -prognoza równa jest wartości z okresu poprzedniego

powiększona o średni przyrost względny poziomu zjawiska z poprzednich okresów dla których

zgromadzono materiał empiryczny (średniookresowe tempo zmian poziomu zjawiska). Ma zastosowa nie gdy występuje nieliniowa tendencja rozwojowa i wahania przypadkowe.

4. )1( * Cyy rtt -prognoza równa jest wartości z tego samego podokresu poprzedniego cyklu

sezonowości powiększona o pewien ustalony z góry procent (C). Ma zastosowanie gdy występuje nieliniowa tendencja rozwojowa, wahania sezonowe i wahania przypadkowe.

Kryterium wyboru spośród metod stanowi wielkość błędów prognoz ex post. 2.2.Prognostyczny model średniej ruchomej prostej i ważonej

Model ten stosuje się w przypadku gdy w badanym okresie występuje stały poziom wartości zmiennej prognozowanej zakłócany jedynie odchyleniami przypadkowymi. Wykorzystanie modelu średniej ruchomej polega na wyznaczeniu prognozy jako średniej arytmetycznej zwykłej bądź ważonej z k

ostatnich wartości zmiennej. W przypadku gdy będziemy obliczali średnie arytmetyczne zwykłe będziemy mieli do czynienia z

modelem średniej ruchomej prostej, z którego prognozy wyznacza się na podstawie następującego wzoru:

1 * 1

t

kti it y

k y

k – stała wygładzania, liczba wyrazów średniej ruchomej, która określana jest przez prognostę.

W przypadku modelu średniej ruchomej ważonej prognozy wyznacza się jako średnie ważone, a wagi ustala się tak by była realizowana zasada postarzania informacji (nowsze tendencje silniej oddziaływują na prognozowane zjawisko).

1

1 *

t

kti ktiit wyy

w – waga wartości zmiennej prognozowanej w danym momencie lub okresie. Wagi muszą spełniać

następujące zależności zgodnie z zasadą postarzania informacji:

1...0 21 kwww

k

i iw

1

1

Kryterium wyboru stałej wygładzania stanowią błędy prognoz ex post, a w szczególności wielkość

średniego kwadratowego błędu prognozy ex post (odchylenia standardowego prognoz) lub współczynnika zmienności prognoz oraz średniego względnego błędu prognoz ex post.

2.3.Prognozowanie na podstawie modelu wahań w czasie

Ekstrapolacja funkcji trendu może być wykorzystana do sporządzenia prognoz w przypadku gdy postać analityczna funkcji trendu i wartość jej parametrów strukturalnych w okresie T, na który dokonuje się

prognozy, nie mogą ulec istotnej zmianie w porównaniu z okresem, którego dotyczyły informacje liczbowe służące za podstawę do oszacowania funkcji trendu. W przypadku istotnych zmian w

kształtowaniu się zjawiska zastosowanie ekstrapolacji trendu może przynieść duże błędy. Addytywny model wahań w czasie (elementy składowe są sumą) przyjmuje postać:

tit tGtFY )()( natomiast jego oszacowanie:

3

titt zgtfy )( Multiplikatywny model:

tit tStFY )()( jego oszacowanie:

titt zstfy )( gdzie: Yt – poziom badanego zjawiska F(t) lub C(t) – funkcja tendencji rozwojowej lub stały poziom zjawiska w populacji generalnej

Gi(t) lub Si(t) – funkcja wahań okresowych, przy czym i = 1, 2,..., d oznacza liczbę podokresów w cyklu okresowości

git – oszacowanie wahań addytywnych – absolutne poziomy wahań sit – oszacowanie wahań multiplikatywnych – wskaźniki sezonowości ξt – składnik losowy modelu wahań w czasie

Szacowanie parametrów funkcji trendu

Do oszacowania parametrów liniowego modelu ekonometrycznego

ttY 10 wykorzystuje się następujący wzór:

yTTTa TT 1)( Zależność między funkcją trendu z okresami sumującymi się do 0 i numerowanymi tradycyjnie (1, 2, ...,

n) przedstawia się następująco:

taayt 10ˆ ( 0t )

)(ˆ 10 ttaayt ( 0t )

W przypadku modeli nieliniowych należy je sprowadzić do liniowych poprzez podstawienie lub zlogarytmowanie i oszacować parametry według powyższego wzoru.

Szacowanie sezonowości

Gdy mamy do czynienia ze zjawiskiem sezonowości, po oszacowaniu funkcji trendu lub przeciętnego

poziomu zjawiska należy oszacować odpowiednie mierniki sezonowości (absolutne poziomy wahań w czasie lub wskaźniki sezonowości).

Wahania sezonowe addytywne – absolutne poziomy wahań:

i int nt

itit

i

it yy n

g )ˆ( 1

ni – ilość jednoimiennych okresów cyklu sezonowości W przypadku oczyszczonych mierników sezonowości zachodzi następująca zależność:

d

i itg

1

0

d – liczba podokresów (faz) cyklu sezonowości

Wahania sezonowe multiplikatywne – wskaźniki wahań:

%100ˆ i

i

nt it

nt it

it y

y

s

W przypadku oczyszczonych mierników sezonowości zachodzi następująca zależność:

4

d

i it ds

1

Między absolutnymi poziomami wahań sezonowych a wskaźnikami sezonowości zachodzą następujące zależności, jeżeli mamy do czynienia ze stałym poziomem zjawiska w czasie (brak tendencji

rozwojowej):

)1(ittttitit syyysg

1 t

it it

y

g s

Szacowanie poziomu wahań przypadkowych w modelu wahań w czasie

Model addytywny:

tittt zgyy ˆ

itttt gyyz ˆ

Odchylenie standardowe składnika resztowego:

1

1

2

2

dn

z

S

n

t t

z

Model multiplikatywny:

tittt zsyy ˆ

itt

t t

sy

y z

ˆ

Odchylenie standardowe składnika resztowego :

1

)1( 1

2

2

dn

z

S

n

t t

z

Prognoza punktowa na podstawie modelu wahań w czasie

Model addytywny:

)...,,(10 *

)...,,( )( dITdIT gTaay

Model multiplikatywny:

)...,,(10 *

)...,,( )( dITdIT sTaay

Bezwzględny błąd prognozy punktowej w modelu addytywnym ex ante:

n

t

zdIT

tt

tT

n SD

1

2

2

)...,,(

)(

)(1 1

Prognoza przedziałowana podstawie modelu wahań w czasie

Model addytywny: W przypadku gdy odchylenia losowe modelu mają rozkład normalny prognozy wyznacza się w

5

następujący sposób:

1}{ )...,,1( *

)...,,()...,,( *

dTTdITdITT DtyYDtyP mała próba (n 30)

t odczytuje się z tablic t-Studenta dla n – d – 1 stopni swobody

1}{ )...,,( *

)...,,()...,( *

dITTdITdITT DuyYDuyP duża próba (n > 30)

u odczytuje się z tablic dystrybuanty rozkładu normalnego

W przypadku gdy odchylenia losowe nie mają rozkładu normalnego (nie weryfikowano hipotezy lub została odrzucona) prognozy wyznacza się w następujący sposób:

1}{ )...,,( *

)...,,()...,,( *

dITTdITdITT DuyYDuyP

u wyznacza się z nierówności Czebyszewa:

p

u 1

1

Bezwzględny błąd prognozy przedziałowej ex ante:

)...,,( /

)...,,( dITdIT DtD

)...,,( /

)...,,( dITdIT DuD

)...,,( /

)...,,( dITdIT DuD

Względny błąd prognozy przedziałowej ex ante:

%100 '

' * T

T T

y

D V

3. Prognozowanie na podstawie jednorównaniowego modelu ekonometrycznego Etapy budowy i wykorzystania modelu ekonometrycznego do celów predykcji 1. Wybór zmiennych objaśniających

2. Wybór postaci analitycznej modelu – określenie postaci matematycznej funkcji opisującej zależność zmiennej objaśnianej od zmiennych objaśniających

3. Szacowanie parametrów modelu – wyznaczenie wartości ocen poszczególnych parametrów 4. Weryfikacja modelu 5. Wnioskowanie na podstawie modelu – analiza ekonomiczna i wyznaczenie prognoz

Ad. 1. Dobór zmiennych objaśniających do modelu może odbywać się z wykorzystaniem metody

wskaźników pojemności informacyjnej lub metody współczynnika korelacji wielorakiej. Ad. 2. Wybór postaci analitycznej modelu może być dokonana na podstawie wzrokowej oceny wykresu

rozrzutu punktów empirycznych lub na podstawie wiedzy ekonomicznej o badanych zjawiskach ekonomicznych.

Ad. 3. Do oszacowania parametrów liniowego modelu ekonometrycznego kkXXY ...110

wykorzystuje się następujący wzór: yXXXa TT 1)(

W przypadku modeli nieliniowych należy je sprowadzić do liniowych poprzez podstawienie lub zlogarytmowanie i oszacować parametry według powyższego wzoru.

Ad.4. Weryfikacja modelu ekonometrycznego polega na obliczeniu i interpretacji miar dopasowania

modelu do danych empirycznych, kolejno: wariancji i odchylenia składnika losowego modelu, współczynnika zmienności, zbieżności i determinacji:

11

)()(

1

2

kn

e

kn

XayXay

kn

yXayy S

TTTTT

e

6

2 ee SS

Odchylenie standardowe składnika losowego, które mówi o tym o ile przeciętnie różnią się wartości

empiryczne (zaobserwowane) od wartości teoretycznych (wyznaczone z modelu).

%100 y

S V ee

Współczynnik zmienności informuje jaką część średniej wielkości zmiennej objaśnianej stanowi odchylenie standardowe reszt modelu czyli mówi o względnym odchyleniu wartości empirycznych od

teoretycznych.

2

2

)1( 1

y n

yy

yXayy

TT

TTT

22 1R

Współczynniki zbieżności i determinacji informują jaki procent zmienności zmiennej objaśnianej nie jest (jest) wyjaśniony zmiennością zmiennych objaśnianych przyjętych do modelu.

Weryfikacja modelu to także wykonanie testów statystycznych: badanie istotności parametrów

strukturalnych modelu oraz badanie własności odchyleń losowych, które w dobrze oszacowanym

modelu powinny charakteryzować się normalnością rozkładu, losowością reszt, brakiem autokorelacji oraz stałością wariancji.

Ad.5. Prognozy mogą być dwojakie: punktowe lub przedziałowe. Prognoza punktowa jest liczbą uznaną za najlepszą ocenę wartości zmiennej w okresie prognozowanym. Prognoza przedziałowa jest

przedziałem liczbowym, który ze z góry zadanym prawdopodobieństwem (wiarygodność prognozy) pokrywa nieznaną wartość zmiennej w okresie prognozowanym.

Dla prognoz dotyczących przyszłych okresów (w przypadku których nieznana jest realizacja zmiennej prognozowanej) oblicza się błędy prognoz ex ante. Rozróżnia się dwa rodzaje tych błędów: bezwzględne i względne. Bezwzględny błąd prognozy ex ante informuje o ile przeciętnie prognozy będą różnić od

rzeczywistych wartości zmiennej w okresie prognozowanym. Względne błędy prognoz informują o tym, jaki procent prognozy stanowi jej błąd i dlatego stanowią o dopuszczalności prognozy.

Prognoza punktowa:

** 22

* 110

* ...kTkTTT xaxaxaay

Bezwzględny błąd prognozy punktowej ex ante: I sposób:

T TT

TT T TeT xXXxSxaDxSD

122 )(1)(

**

2 * 1 ...1 kTTT

T T xxxx

II sposób:

k

i

k

i ij ejijTiTiiTT SaaxxaDxD

0

1

0

222 ),cov(2)(

Względny błąd prognozy punktowej ex ante:

%100* T

T T

y

D V

Prognoza przedziałowa:

W przypadku gdy odchylenia losowe modelu mają rozkład normalny prognozy wyznacza się w następujący sposób:

1}{ ** TTTTT DtyYDtyP mała próba (n 30)

7

t odczytuje się z tablic t-Studenta dla n – k – 1 stopni swobody

1}{ ** TTTTT DuyYDuyP duża próba (n > 30)

u odczytuje się z tablic dystrybuanty rozkładu normalnego W przypadku gdy odchylenia losowe nie mają rozkładu normalnego (nie weryfikowano hipotezy lub

została odrzucona) prognozy wyznacza się w następujący sposób:

1}{ ** TTTTT DuyYDuyP u wyznacza się z nierówności Czebyszewa:

p

u 1

1

Bezwzględny błąd prognozy przedziałowej ex ante:

TT DtD'

TT DuD'

TT DuD' Względny błąd prognozy przedziałowej ex ante:

%100 '

' * T

T T

y

D V

4. Prognozowanie na podstawie wielorównianiowych modeli ekonometrycznych Do przewidywania jednoczesnego przebiegu wielu zjawisk ekonomicznych wykorzystuje się ekonometryczne modele wielorównaniowe. W modelach tych wnioskowanie w przyszłość dotyczy nie

pojedynczej zmiennej, ale wektora zmiennych powiązanych ze sobą w sposób merytoryczny. Podstawą wyboru odpowiedniej metody estymacji parametrów modelu jest klasyfikacja modeli

wielorównaniowych. Od klasy modeli zależy również proces wyznaczania prognoz zmiennych endogenicznych.

4.1.Prognozowanie na podstawie modelu prostego

Jeżeli dysponujemy poprawnie oszacowanym modelem, wystarczy ekstrapolować ten model w przyszłość. Wektor prognoz uzyskuje się przez mechaniczne zestawienie wielu prognoz zbudowanych na

podstawie każdego z równań. Sposób sporządzania prognoz, jak i ustalenie ich dokładności jest taki sam, jak przy prognozowaniu na podstawie jednorównaniowego modelu ekonometrycznego.

4.2.Prognozowanie na podstawie modelu rekurencyjnego

Ze względu na jednokierunkowe powiązania między zmiennymi endogenicznymi, każde równanie może

być oszacowane oddzielnie klasyczną metodą najmniejszych kwadratów. Dysponując oszacowanym modelem i wartościami zmiennych z góry ustalonych na okres prognozy T, dokonuje się tzw. predykcji łańcuchowej. Mechanizm prognozowania łańcuchowego jest następujący: najpierw sporządza się

prognozę Y*1T zmiennej endogenicznej Y1, która zależy tylko od zmiennych z góry ustalonych. Z kolei,

buduje się prognozę Y*2T dla zmiennej Y zależnej od Y1 i zmiennych z góry ustalonych. Ten sposób

postępowanie kończy się na prognozie Y*mT zmiennej Ym, która jest ostatnią zmienną w wektorze Y.

Mierniki dokładności prognoz uzyskuje się analogicznie jak przy prognozowaniu na podstawie

ekonometrycznego modelu jednorównaniowego. 4.3.Prognozowanie na podstawie modeli o równaniach współzależnych

W modelu o równaniach współzależnych powiązania między zmiennymi endogenicznymi bez opóźnień czasowych są wielokierunkowe. Ilustracją tych różnokierunkowych zależności jest postać strukturalna modelu. Każde równanie tej postaci pokazuje zachowanie się pewnego elementu struktury ekonomicznej.

Cały układ równań strukturalnych pokazuje wzajemne oddziaływanie poszczególnych elementów układu gospodarczego. Jednokierunkowe związki między zmiennymi endogenicznymi ze zmiennymi tylko z

góry ustalonymi przedstawia postać zredukowana modelu. Na podstawie tej postaci można dokonać ekstrapolacji każdego z równań w przyszłość otrzymując prognozy poszczególnych zmiennych objaśnianych.

5. Prognozowanie na podstawie modeli adaptacyjnych

8

Modele wygładzania wykładniczego wygładzają szereg czasowy zmiennej prognozowanej przy wykorzystaniu średniej ruchomej ważonej, a wagi określone są według prawa wykładniczego.

W zależności od składowych występujących w badanym szeregu czasowym stosuje się różne klasy modeli:

1. Prosty model wygładzania wykładniczego.

2. Model liniowy Holta. 3. Model Wintersa.

5.1.Prosty model wygładzania wykładniczego

Stosuje się go w przypadku występowania w szeregu czasowym prawie stałego poziomu zmiennej zakłócanego jedynie wahaniami przypadkowymi.

Prognozę wartości zmiennej na okres t wyznacza się zgodnie ze wzorem: * 111

* )1( tttt yyFy Ft–1 – wygładzona wartość zmiennej na okres t–1

α – parametr (stała) wygładzania

Wykorzystując wzór na bezwzględny błąd prognozy ex post * ttt yyq , można wzór ten przekształcić

następująco:

1 * 1

* ttt qyy

Kryterium wyboru wartości parametru mogą stanowić błędy prognoz wygasłych. Do prognozowania

wykorzystuje się tą stałą dla której błędy prognoz ex post są najmniejsze, co oznacza że w przyszłości również mogą być one niewielkie.

5.2.Model liniowy Holta

Ma on zastosowanie gdy w szeregu czasowym występuje tendencja rozwojowa i wahania przypadkowe. Równania modelu przedstawiają się następująco:

))(1( 2211 tttt SFyF

2211 )1()( tttt SFFS Ft–1 – wygładzona wartość zmiennej na okres t–1 St–1 – wygładzona wartość przyrostu trendu na okres t–1 α, β – parametry modelu o wartościach <0, 1>

W porównaniu do poprzedniego modelu dodatkowo uwzględnia się również przyrost trendu, który jest analogicznie ważony przez parametr β.

Prognozę na okres t (t > n) wyznacza się zgodnie z wzorem:

nnt SntFy )( *

, t > n (n – liczba wyrazów szeregu czasowego zmiennej)

Wykorzystując wzór na bezwzględny błąd prognozy ex post * ttt yyq , wzory modelu można wyrazić

następująco:

1 * 11221 tttttt qyqSFF

121 ttt qSS Wartości parametrów α i β dobiera się metodą prób i błędów, tak by błędy prognoz wygasłych były jak

najmniejsze. 5.3.Model Wintersa

Metodę tę stosuje się gdy w szeregu czasowym występuje tendencja rozwojowa, wahania sezonowe i wahania przypadkowe. W zależności od rodzaju wahań sezonowych występujących w szeregu ma zastosowanie model addytywny lub multiplikatywny.

Równania dla addytywnego modelu:

))(1()( 22111 ttrttt SFCyF

2211 )1()( tttt SFFS

rtttt CFyC 1111 )1()( Równania dla multiplikatywnego modelu:

))(1( 22 1

1 1 tt

rt

t t SF

C

y F

9

2211 )1()( tttt SFFS

rt

t

t t C

F

y C 1

1

1 1 )1(

Ft–1 – wygładzona wartość zmiennej na okres t–1 po eliminacji wahań sezonowych St–1 – ocena trendu na okres t–1

Ct–1 – ocena wskaźnika sezonowości na okres t–1 r – liczba podokresów (faz) cyklu sezonowości

α, β, γ – parametry modelu o wartościach <0, 1> Równanie prognozy na okres t (t > n) dla addytywnego modelu:

rtnnt CntSFy )]([ *

, t > n (n – liczba wyrazów szeregu czasowego zmiennej)

Równanie prognozy na okres t (t > n) dla multiplikatywnego modelu:

rtnnt CntSFy )]([ *

Wartości parametrów α, β i γ dobiera się metodą prób i błędów, tak by błędy prognoz wygasłych z jednookresowym wyprzedzeniem były jak najmniejsze.

6. Prognozowanie przez analogię Prognozowanie analogowe –jest to przewidywanie przyszłości określonej zmiennej przez wykorzystanie

informacji o innych zmiennych, których zmiany w czasie są podobne. Rodzaje metod analogowych:

1. Analogie historyczne. 2. Analogie przestrzenne.

3. Analogie biologiczne. 4. Analogie przestrzenno – czasowe.

Metoda analogii biologicznych - polega na przenoszeniu zasad budowy i funkcjonowania organizmów żywych na inne obiekty.

Metoda analogii przestrzennych - polega na wnioskowaniu o możliwości zaistnienia określonego zjawiska na danym terytorium biorąc za podstawę informacje mówiące o wystąpieniu takiego zjawiska na

innym obszarze lub innych obszarach. Metoda analogii historycznych - opiera się na założeniu, że prawidłowości zmian w czasie jednych

zjawisk są przenoszone na inne zjawiska.

Metoda analogii przestrzenno-czasowych - polega na przenoszeniu prawidłowości zmian w czasie danego zjawiska z jednych obiektów na inne.

Szczególnie znaczenie w prognozowaniu zjawisk gospodarczych i procesów ekonomicznych ma metoda prognozowania na podstawie analogii przestrzenno-czasowych. Metoda ta przebiega według następującej

procedury: 1. Ustalenie zbioru obiektów, z których dane będą mogły być traktowane jako wzorce dla obiektu

prognozowanego.

2. Zgromadzenie informacji o interesującej zmiennej w postaci odpowiednio długich szeregów czasowych pochodzących z wcześniej wytypowanych obiektów.

3. Wstępna analiza podobieństwa szeregów czasowych zmiennych w poszczególnych obiektach w stosunku do obiektu prognozowanego.

4. Określenie siły podobieństwa poszczególnych zmiennych ze zmienną prognozowaną.

5. Konstrukcja prognoz cząstkowych oraz przesunięcie szeregów czasowych zmiennych objaśniających wzdłuż osi czasu, tak by pokryły się one z szeregiem czasowym obiektu

prognozowanego. 6. Konstrukcja prognozy globalnej. Prognoza globalna stanowi przesunięcie szeregu czasowego

1 0

obiektu prognozowanego o przeciętne wartości prognoz cząstkowych.

7. Prognozowanie heurystyczne Prognozowanie heurystyczne to przewidywanie nowych obrazów rzeczywistości niekoniecznie dających się opisać za pomocą analizy przeszłości.

Metody heurystyczne często określane są jako intuicyjne. Opierają się na opinii ekspertów, która jest wypadkową ich dużej wiedzy, doświadczenia, często wyobraźni i intuicji. Przewidywanie w przyszłość

nie jest w tym przypadku ekstrapolowaniem wykrytych w przeszłości prawidłowości w przyszłość, lecz prognozowaniem możliwych wariantów rozwoju interesujących nas zjawisk i ukazywaniem wariantów najbardziej realistycznych.

Wśród metod opartych na opinii ekspertów największe zastosowanie mają: 1. Burza mózgów.

2. Metoda delficka. Burza mózgów stosowana jest do rozwiązywania problemów niezbyt skomplikowanych, w krótkim okresie. Najczęściej stosuje się ją do projektowania i modernizacji organizacji i zarządzania oraz

procesów produkcyjnych. Zaliczana jest do najefektywniejszych metod rozwiązywania pomysłów. Burza mózgów przebiega etapami:

1. Sformułowanie tematu sesji twórczej, zebranie informacji o rozwiązywanym problemie. 2. W sesjach twórczych tworzone są pomysły na zadany temat. 3. Wprowadza się sesje uzupełniające, w czasie których uczestnicy mogą zgłaszać pomysły powstałe

po zakończeniu sesji twórczej. 4. Następuje dokładna analiza i ocena zebranych pomysłów z punktu możliwości ich wykorzystania

do rozwiązywania problemu.

Metoda delficka polega na opracowywaniu szczegółowych ankiet skierowanych do wybitnych

specjalistów z różnych dziedzin wiedzy i na stopniowym uzgadnianiu opinii przez informowanie ekspertów o wynikach ankiety. Na podstawie statystycznej analizy uzyskanych odpowiedzi uzyskuje się uogólnioną opinię ekspertów dotyczącą prognozy badanego zjawiska. Eksperci pracują niezależnie od

pozostałych, ich odpowiedzi są anonimowe. Prognozowanie metodą delficką przebiega w kilku etapach: 1. Wybór problemów, które mają być przedmiotem prognozowania.

2. Przekazanie ankiet znacznej liczbie specjalistów. 3. Uzyskanie odpowiedzi od ekspertów. 4. Analiza otrzymanych opinii. Jeżeli zgoda została osiągnięta, to można badanie zakończyć.

Organizatorzy przedstawiają ostateczne wyniki. 5. Ponowne sformułowanie pytań do ekspertów wraz z wynikami poprzedniej ankiety, jeżeli zgoda

wśród uczestników badania nie została osiągnięta. 6. Otrzymanie kwestionariuszy w drugiej turze ankietowania. 7. Zebranie i statystyczna analiza uzyskanego materiału.

komentarze (0)
Brak komentarzy
Bądź autorem pierwszego komentarza!
To jest jedynie podgląd.
Zobacz i pobierz cały dokument.
Docsity is not optimized for the browser you're using. In order to have a better experience we suggest you to use Internet Explorer 9+, Chrome, Firefox or Safari! Download Google Chrome