Студопедия

Главная страница Случайная страница

Разделы сайта

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника






Расчетные формулы. Адаптивная авторегрессионная модель






Расчетные формулы

Адаптивная авторегрессионная модель

(13.1)

где - фактическое значение цены в момент времени;

- расчетное значение цены в момент времени t;

- вектор коэффициентов авторегрессионной модели;

- значение коэффициента стабильности (авторегрессии) в момент времени t (если , то процесс стабилен, в противном случае – нет);

- вектор текущих значений независимых переменных;

- настраиваемые параметр, регулирующий уровень реакции модели;

-настраиваемый параметр сглаживания.

 

 

40. Матричные модели прогнозирования

Расчетные формулы

Модель с детерминированным матричным мультипликатором

(14.1)

где I – единичная матрица;

xt = - вектор значений показателя в момент времени t;

 

V= - матрица косвенных темпов роста, внедиагональные элементы которой рассчитываются по формуле

(14.2)

где - матричный мультипликатор.

 

Модель с настраиваемым параметром матричного мультипликатора

(14.3)

где - матрица темпов роста;

- матрицы косвенных темпов роста, элементы которой рассчитываются по формуле - прямой рост);

- матрицы косвенных темпов роста, элементы которой рассчитываются по формуле ( - косвенный рост); - настраиваемый параметр

Модель с адаптивным матричным мультипликатором

(14.4)

где А t – начальное значение мультипликатора на момент t, определяемое по формуле

() – операция блочного умножения

- корректирующая матрица мультипликатора с элементами ,

- матрица, определяющая соотношение прямых и косвенных темпов роста,

- матрица весовых коэффициентов;

(14.5)

где a * - параметр адаптации, настраиваемый по критерию минимизации максимальной ошибки

- скорректированное значение матричного мультипликатора.

 

 

41. Модели многомерных классификаций в прогнозных расчетах

Определенные виды моделей экономического и социального прогнозирования могут классифицироваться в зависимости от критерия оптимизации или наилучшего ожидаемого результата. Так, например, различают экономико-математические модели, в которых минимизируются затраты, и модели, в которых желательно получить, например, максимум прибыли.

С учетом фактора времени модели могут быть статическими (т.е. когда ограничения в модели установлены для одного определенного отрезка времени в течение планового периода и при этом минимизируются затраты или максимизируется конечный результат), или динамическими (в этом случае ограничения установлены для нескольких отрезков времени при той же минимизации или максимизации эффекта за весь плановый период).

Принято различать следующие эконометрические модели: факторные, структурные и комбинированные. Один и тот же тип моделей может быть применим к различным экономическим объектам.

В зависимости от уровня агрегирования показателей развития народного хозяйства различают макроэкономические, межотраслевые, региональные микроэкономические модели.

По аспектам развития экономики различают модели воспроизводства основных фондов, трудовых ресурсов, системы финансов и ценообразования и др.

Факторные модели описывают зависимость уровня и динамики того или иного экономического показателя от уровня и динамики влияющих на него экономических показателей-аргументов.

Переменные эконометрической модели подразделяются на экзогенные (внешние) и эндогенные (внутренние). Например, экзогенный фактор в модели может представлять собой для предприятия ритмичность поставок; эндогенный - наличие трудовых ресурсов на предприятии.

42. Модель прогнозирования по неполным данным

Хольт развил модель простого экспоненциального сглаживания и добавил в неё тренд.

Метод Хольта используется для прогнозирования временных рядов, когда есть тенденция к росту или падению значений временного ряда. А также для рядов, когда данные есть не за полный цикл, и сезонность еще не выделить (например, за неполный год для прогноза по месяцам).

Если временной ряд имеет тенденцию к росту или падению, то вместе с оценкой текущего уровня ряда (как в простом экспоненциальном сглаживании) стоит выделить тренд. Для управления уровнем и наклоном в модели Хольта вводится 2 коэффициента сглаживания – коэффициент сглаживания ряда и тренда.

1. Рассчитываем экспоненциально-сглаженный ряд:

Lt=k*Yt+(1-k)*(Lt-1-Tt-1), где

· Lt – сглаженная величина на текущий период;

· k – коэффициент сглаживания ряда;

· Yt – текущие значение ряда (например, объём продаж);

· Lt-1 – сглаженная величина за предыдущий период;

· Tt-1 – значение тренда за предыдущий период;

2. Определяем значение тренда

Tt=b*(Lt - Lt-1)+(1-b)*Tt-1, где:

· Tt – значение тренда на текущий период;

· b – коэффициент сглаживания тренда;

· Lt – экспоненциально сглаженная величина за текущий период;

· Lt-1 – экспоненциально сглаженная величина за предыдущий период;

· Tt-1 – значение тренда за предыдущий период.

3. Делаем прогноз по методу Хольта

Прогноз на p периодов вперед равен:

Ŷ t+p = Lt + p *Tt, где

· Ŷ t+p – прогноз по методу Хольта на p период;

· Lt – экспоненциально сглаженная величина за последний период;

· p – порядковый номер периода, на который делаем прогноз;

· Tt – тренд за последний период.

 

43. Модели сезонных колебаний






© 2023 :: MyLektsii.ru :: Мои Лекции
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав.
Копирование текстов разрешено только с указанием индексируемой ссылки на источник.