oeconomiciis

internetowy serwis studentów ekonomii

PROGNOZOWANIE

konspekt opracowany przez studentów w trakcie przygotowań do egzaminu

► http://www.econom.pl 4

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

I. POJĘCIA PODSTAWOWE

przewidywanie - wnioskowanie o zdarzeniach nie znanych (należących do przeszłości lub przyszłości) na podstawie zdarzeń znanych

Rodzaje przewidywania:

a) racjonalne - podane zostały przesłanki i został zachowany związek między przesłankami a wynikiem

• zdroworozsądkowe - przesłanki i tok wnioskowania oparły jest na doświadczeniu

• naukowe - w procesie wnioskowania wykorzystuje się dorobek nauki

b) nieracjonalne - przesłanki nie zostały podane i/lub nie zachowano związku między przesłankami a konkluzją

prognozowanie - racjonalne, naukowe (wykorzystujące dorobek nauki na wszystkich etapach) przewidywanie przyszłych zdarzeń

prognoza - sąd o następujących właściwościach: sformułowany z wykorzystaniem dorobku nauki, odnoszący się do określonej przyszłości, weryfikowalny empirycznie, niepewny, ale akceptowany

prognoza statystyczna - prognoza (sąd), którego prawdziwość jest zdarzeniem losowym, przy czym prawdopodobieństwo tego zdarzenia jest znane i wystarczająco duże dla celów praktycznych

Prognoza odnosi się do określonego obiektu, w którym zachodzą zjawiska (proste i złożone) opisywane przy pomocy zmiennych (jakościowych i ilościowych).

obiekt - rzecz, przedmiot, zbiór osób itp., do których odnosi się prognoza

zjawisko - proces zachodzący w obiekcie

zmienna - wielkość charakteryzująca i opisująca proces

Podstawy prognozowania:

1. ontologiczne - wynikające z samej natury rzeczy; obejmują naturę zjawisk i ich wzajemne powiązania, które stanowią o istnieniu
   pewnych prawidłowości w kształtowaniu się zmiennych opisujących te zjawiska (inercja prawidłowości)

2. gnoseologiczne - wynikają z wiedzy o naturze zjawisk oraz mechanizmach ich kształtowania

Funkcje prognoz:

• preparacyjna (wymagany wysoki poziom zaufania do prognozy) - przygotowanie działań

• aktywizująca - pobudzanie do podejmowanie działań

• informacyjna - informowanie o zmianach

Rodzaje prognoz

• samorealizujące się i samounicestwiające się (efekt Edypa)

• zmiennych sterowanych i nie sterowanych,

• realistyczne i badawcze,

• ilościowe i jakościowe,

• punktowe i przedziałowe,

• krótko-, średnio-, i długookresowe

Dane wykorzystywane w prognozowaniu:

• w postaci szeregu czasowego (okresów, momentów)

• w postaci szeregu przekrojowego

• dane liczbowe jednorazowe

• dane opisowe

II. PROCES PROGNOSTYCZNY

dane wewnętrzne - dotyczą obiektu prognozy

dane zewnętrzne - dotyczą otoczenia obiektu prognozy

Kryteria doboru danych:

1. rzetelność - dane zgodne z przedmiotem, którego dotyczą (=> błędy losowe i systematyczne)

2. jednoznaczność

3. identyfikowalność zjawiska przez zmienną- zmienna musi istotnie charakteryzować zjawisko

4. kompletność

5. aktualność

6. koszt zbierania i opracowywania

7. porównywalność (czasowa, terytorialna, definicji i kategorii, stałość sposobów obliczeń)

metoda prognozowania - sposób przetworzenia danych o przeszłości oraz sposób przejścia od tych danych do prognozy reguła prognozowania - sposób przejścia od danych do prognozy

2 więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

Reguły prognozowania:

1. reguła podstawowa (prognozy nieobciążonej) - prognoząjest stan zmiennej prognozowanej w należącym do przyszłości
   momencie lub okresie, otrzymany z modelu tej zmiennej przy przyjęciu założenia, że model będzie nadal aktualny (ekstrapolacja
   modelu)

2. reguła podstawowa z poprawką - stosuje się, gdy występują uzasadnione przypuszczenia, że ostatnio zaobserwowane
   odchylenia danych od modelu utrzymają się w przyszłości (ekstrapolacja modelu skorygowana o poprawkę)

3. reguła największego prawdopodobieństwa - prognoząjest stan zmiennej, któremu odpowiada najwyższe prawdopodobieństwo
   lub maksymalna wartość funkcji gęstości rozkładu (modalna rozkładu)

4. reguła minimalnej straty - prognoząjest taki stan zmiennej, którego realizacja powoduje minimalne straty (wielkość straty jest
   funkcją błędu prognozy)

Etapy prognozowania:

1. sformułowanie zadania prognostycznego

2. podanie przesłanek prognostycznych

3. wybór metody prognozowania

4. wyznaczenie prognozy

5. ocena dopuszczalności prognozy

6. weryfikacja prognozy

Sformułowanie zadania prognostycznego;

• określenie obiektu, zjawiska, zmiennej

• określenie horyzontu prognozy

• cel wyznaczania prognozy

• wymagania co do jakości prognozy

Podanie przesłanek prognostycznych

• sformułowanie hipotez o czynnikach kształtujących zjawisko

• deklaracja postawy wobec przyszłości zjawiska

• określenie zbioru danych potrzebnych do sporządzenia prognozy

• zebranie danych

Metody prognozowania:

a) analiza i prognozowanie szeregów czasowych (metody bezpośrednie)

• w diagnozowaniu zjawiska korzysta się z danych o dotychczasowym kształtowaniu się zmiennej prognozowanej; wszystkie
  czynniki na nią wpływające są reprezentowane przez czas i jej przeszłe wartości; prognozę otrzymuje się na podstawie
  wykrytych prawidłowości bez analizy ich przyczyn; prognosta korzysta z zasady status quo (na zmienną będą nadal
  oddziaływać te same czynniki)

• metody: średnia ruchoma, wygładzanie wykładnicze, analityczne, adaptacyjne modele tendencji rozwojowej, modele składowej
  okresowej, modele autoregresyjne, łańcuchy Markowa

• reguła: podstawowa

• prognozy krótkookresowe

b) prognozowanie przyczynowo-skutkowe (metody pośrednie)

• podstawąjest tu określenie modelu wyjaśniającego mechanizm zmian zmiennych prognozowanych przez zmiany zmiennych
  objaśniających; modele takie mogą być wykorzystywane do symulacji, pod warunkiem znanych przyszłych wartości zmiennych
  objaśniających; stosuje się tu zasadę status quo

• metody: modele ekonometryczne (statystyczny wyraz praw ekonomii), modele behawiorystyczne (oparte na prawach
  psychologii), modele symptomatyczne (empiryczne stwierdzenie związku między zmiennymi)

• reguła: prognoza nieobciążona

• prognozy krótkookresowe

c) metody analogowe

• przewidywanie przyszłości określonej zmiennej na podstawie danych o zmiennych podobnych, ale nie związanych przyczynowo
  ze zmienną prognozowaną

• prognozy średnio- i długookresowe

d) metody heurystyczne

• polegają na wykorzystaniu opinii ekspertów

• reguła największego prawdopodobieństwa

przesłanki prognostyczne - hipotezy badawcze określające mechanizm prognozowanego zjawiska

postawa pasywna - mechanizm prognozowanego zjawiska nie ulegnie zmianom postawa aktywna - mechanizm prognozowanego zjawiska może ulec znaczącym zmianom

Ocena jakości modelu:

• współczynnik determinacji (R²) - miara dopasowania do danych rzeczywistych

• odchylenie standardowe reszt modelu (s) - informuje o przeciętnych odchyleniach wartości rzeczywistych zmiennej prognozowanej
  od wartości teoretycznych

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

• współczynnik wyrazistości (w) - informuje, jaką część średniej wartości zmiennej stanowi jej odchylenie standardowe reszt (w
  jakim stopniu zmienna nie jest wyjaśniana przez model, zachowuje się losowo)

• istotność parametrów modelu - mówi o tym, czy zmienne objaśniające istotnie wpływają na zmienną prognozowaną

Ocena trafności prognozy (ex post):

• bezwzględny błąd prognozy dla okresu (qt) - informuje jakie było odchylenie prognozy od wartości rzeczywistej zmiennej

• względny błąd prognozy dla okresu (^t) - informuje jakie było odchylenie prognozy od wartości rzeczywistej zmiennej (liczone w
  procentach)

• średni względny błąd prognoz w przedziale weryfikacji (V)

• średni kwadratowy błąd prognoz w przedziale weryfikacji (s*) - porównuje się z odchyleniem standardowym reszt modelu (s* <= s)

• współczynnik janusowy (J²) [trafne poniżej 1] - określa relację stopnia dopasowania prognoz i modelu do danych rzeczywistych

• współczynnik Theila (I ) [trafne im bliższe 0] - składa się z trzech mierników: obciążoności prognozy (nieodgadnięcie średniej
  wartości zmiennej prognozowanej), niedostatecznej elastyczności (nieodganięcie wahań zmiennej prognozowanej),
  niedostatecznej zgodności prognoz z kierunkiem zmian zmiennej prognozowanej (nieodgadnięcie kierunku tendencji rozwojowej)

Ocena trafności prognoz umożliwia:

• ocenę stopnia niepewności prognozowania

• ustalenie horyzontu prognozy

• wskazanie źródeł niedoskonałości prognozy

• sformułowanie rekomendacji, co do dalszego wykorzystania metody prognozowania

• wyboru najwłaściwszej metody

Ocena dopuszczalności prognozy (ex ante):

• bezwzględny błąd ex ante (vt) - maleje wraz ze wzrostem dokładności oszacowań parametrów modelu i wariancji składnika
  losowego (gdy rośnie liczebność próby), maleje ze wzrostem zmienności zmiennych objaśniających w próbie, rośnie ze wzrostem
  różnicy między prognozowanymi wartościami zmiennych objaśniających a ich wartościami średnimi w próbie

• względny błąd ex ante (n.t)

• prawdopodobieństwo realizacji prognozy (wiarygodność prognozy)

• błędy prognoz ex post - pod warunkiem, że nowo formułowane przesłanki potwierdzają zasadność przesłanek przyjętych do
  wyznaczenia poprzedniej prognozy, że do ustalenia nowej prognozy stosuje się tę samą metodę co poprzednio oraz przedział
  weryfikacji poprzedniej prognozy jest taki sam jak żądany horyzont nowej prognozy

• błędy prognoz wygasłych

• ocena prognozy przez ekspertów - gdy nie można zastosować innych metod lub przyjęło się postawę aktywną

• ocena prognozy przez prognostę

Prognoza jest dopuszczalna, gdy jest obdarzona przez jej odbiorcę stopniem zaufania wystarczającym do tego, by mogła być wykorzystana do celu, w jakim została ustalona. Pozwala to także wyznaczyć maksymalny horyzont prognozy (najdalszy należący do przyszłości moment lub okres, w którym prognoza jest dopuszczalna).

Etapy prognozowania:

1. sformułowanie zadania prognostycznego

2. podanie przesłanek prognostycznych

3. wybór metody prognozowania

4. wyznaczenie prognozy

5. ocena dopuszczalności prognozy

6. weryfikacja prognozy

III. PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH

Składowe szeregów czasowych:

a) systematyczna - powstaje na skutek działania trwałego układu przyczyn i prawidłowości

• stały (przeciętny) poziom zmiennej - brak tendencji rozwojowej, oscylacje wokół pewnego poziomu

• tendencja rozwojowa (trend) - długookresowa skłonność do jednokierunkowych zmian (wzrost lub spadek)

• składowa okresowa (periodyczna)

• cykliczna - rytmiczne wahania długookresowe wokół trendu lub stałego poziomu zmiennej

• sezonowa - rytmiczne wahania o cyklu nie przekraczającym 1 roku

b) losowa (przypadkowa) - powstaje na skutek działania przyczyn przypadkowych działających z różną siła w różnych kierunkach

Model szeregu czasowego - zmiennymi objaśniającymi dla zmiennej Y (prognozowanej) mogą być tylko zmienna czasowa oraz przeszłe wartości lub prognozy zmiennej Y

Rodzaje modeli szeregów czasowych:

1. addytywny - zakłada się, że obserwowane wartości zmiennej prognozowanej są sumą składowych szeregu czasowego (składowe
   są niezależne); wartość oczekiwana składnika losowego wynosi 0

2. multiplikatywny - zakłada się, że obserwowane wartości zmiennej prognozowanej są iloczynem składowych szeregu czasowego;
   wartość oczekiwana składnika losowego wynosi 1

4 więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

Przesłanki użycia modelu szeregu czasowego:

1. zjawisko jest zbyt złożone, by można je opisać i zrozumieć bez użycia modeli

2. zadaniem prognosty jest przewidzenie tego, co się zdarzy, a nie wyjaśnienie, dlaczego to się zdarzy

3. koszty zdobycia wiedzy o przyczynach wystąpienia zjawisk są bardzo wysokie

Metoda naiwna

• składowe szeregu czasowego: stały (przeciętny) poziom + wahania przypadkowe

• przesłanki: nie nastąpią zmiany w sposobie oddziaływania czynników określających zmienną prognozowaną; niewielkie wahania
  przypadkowe (badanie: współczynnik zmienności V)

• zasada status quo, postawa pasywna

• reguła podstawowa

• horyzont: jeden okres/moment

• jakość: niska

• ocena: błędy ex post

• zalety:

• proste

• łatwe do zrozumienia

• szybkie

• tanie

• wady:

• niska jakość prognoz

• oceniona może być jedynie ex post

Metoda średniej ruchomej prostej

• składowe szeregu czasowego: stały (przeciętny) poziom + wahania przypadkowe

• przesłanki: duże wahania przypadkowe

• mechanizm: uwzględnienie zmian w wielkościach zmiennej (duża stała wygładzania - mniejszy wpływ wahań przypadkowych i
  wolniejsza reakcja na zmiany); dobór stałej wygładzania na podstawia najmniejszej wartości średniego kwadratowego błędu ex
  post (s*) lub średniego względnego błędu prognoz ex post (V)

• horyzont: prognoza krótkookresowa

• ocena dopuszczalności: średni kwadratowy błąd prognozy ex post (s*)

Metoda średniej ruchomej ważonej

• składowe szeregu czasowego: stały (przeciętny) poziom + wahania przypadkowe

• przesłanki: duże wahania przypadkowe

• mechanizm: uwzględnienie zjawiska postarzania informacji (ostatnie dane mają większe wagi)

• horyzont: prognoza krótkookresowa

• ocena dopuszczalności: średni kwadratowy błąd prognozy ex post (s*)

• wady:

• przy konstrukcji prognozy nie uwzględnia się jedynie k ostatnich wartości zmiennej (wcześniejsze dane mogą także nieść istotne
  informacje)

• kiedy k jest duże, konieczne jest przechowywanie dużej liczby danych

Prostu model wygładzania wykładniczego

• składowe szeregu czasowego: stały (przeciętny) poziom + wahania przypadkowe

• przesłanki: duże wahania przypadkowe

• mechanizm: szereg czasowy wygładza się za pomocą średniej ruchomej ważonej, gdzie wagi określane są wykładniczo;
  uwzględnienie błędu prognoz wygasłych (parametr wygładzania bliski 1 - wysoki stopień uwzględnienia błędów prognoz
  wygasłych); parametr wygładzania dobiera się na podstawie kryterium najmniejszego błędu ex post prognoz wygasłych

• ocena dopuszczalności: średni kwadratowy błąd prognozy ex post (s*)

• horyzont: prognozy krótkookresowe

• zalety:

- uwzględnia w prognozie wartość ostatniego błędu ex post

• wady:

- trudności ze znalezieniem właściwego parametru wygładzania

Model liniowy Holta (model adaptacyjny)

• składowe szeregu czasowego: trend + wahania przypadkowe

• przesłanki: regularne zmiany dające się opisać funkcją czasu, niezmienność trendu, stałość charakteru zmian (modelu)

• mechanizm: wygładzenie wartości szeregu czasowego oraz wartości przyrostów; parametry wygładzania dobiera się na podstawie
  kryterium najmniejszego średniego błędu ex post

• zalety:

- elastyczność

• wady:

- trudności ze znalezieniem właściwych parametrów

Modele analityczne:

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

• składowe szeregu czasowego: trend + wahania przypadkowe

• przesłanki: regularne zmiany dające się opisać funkcją czasu, niezmienność trendu, stałość charakteru zmian (modelu), stabilność
  rozkładu składnika losowego

• mechanizm: reguła podstawowa lub podstawowa z poprawką, prognozy punktowe i przedziałowe

• horyzont: prognozy krótkookresowe (reguła podstawowa) i średniookresowe (reguła podstawowa z poprawką)

• ocena dopuszczalności: błędy ex ante

• wady:

• znaczne ryzyko, iż prognozy będą oparte na modelu dobrym, ale nieaktualnym dla ostatnich znanych obserwacji zmiennej

• krępujące założenie o niezmienności mechanizmu rozwojowego zjawisk

Model trendu pełzającego (model adaptacyjny)

• składowe szeregu czasowego: trend + wahania przypadkowe

• przesłanki: regularne zmiany dające się opisać funkcją czasu, mechanizm rozwojowy badanego zjawiska może być zmienny

• zalety:

- elastyczność

Metoda wskaźników

• składowe szeregu czasowego: trend lub stały poziom + wahania sezonowe

• przesłanki: utrzymanie trendu, niezmienność siły i rodzaju wahań sezonowych

• mechanizm: ekstrapolacja trendu + korekta wskaźnikiem sezonowości; model addytywny (wahania bezwzględnie stałe) lub
  multiplikatywny (wahania względnie stałe)

Metoda trendów jednoimiennych okresów

• składowe szeregu czasowego: trend lub stały poziom + wahania sezonowe

• przesłanki: utrzymanie trendu, zmiany intensywności wahań sezonowych, spora ilość danych

• mechanizm: odrębne trendy dla tych samych faz cyklu

• ocena: błędy ex ante

• zalety:

• pozwala na obserwację tendencji zmian wahań sezonowych

• możliwość wyznaczenia błędu ex ante

IV. MODELE EKONOMETRYCZNE

model ekonometryczny - konstrukcja formalna, przedstawiająca za pomocą jednego lub kilku równań stochastyczną zależność wyróżnionego zjawiska ekonomicznego od innych zjawisk objaśniających

Cele budowy modelu ekonometrycznego:

1. analityczny - poznanie związków występujących między rozważanymi zjawiskami

2. prognostyczny - wyznaczenie przyszłej wartości zmiennej charakteryzującej zjawisko

Rodzaje modeli ekonometrycznych:

a) jednorównaniowe

• statyczne

• dynamiczne

b) wielorównaniowe

• proste

• rekurencyjne

• o równaniach współzależnych

Budowa modelu ekonometrycznego:

1. specyfikacja zmiennych

2. wybór postaci modelu

3. estymacja parametrów modelu

4. weryfikacja modelu

Zalety modeli ekonometrycznych jako metody prognozowania:

• formalnie sprawdza przesłanki prognostyczne

• ocenia wpływ zmiennych objaśniających na zmienną prognozowaną

Wady modeli ekonometrycznych jako metody prognozowania:

- duży koszt zbierania i szacowania parametrów modelu

Założenia teorii prognozy ekonometrycznej:

1. znany jest „dobry model"

2. występuje stabilność relacji strukturalnych w czasie (postać modelu i wzajemne oddziaływanie zmiennych są stałe)

3. składnik losowy ma stały rozkład w czasie

t więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

4. znane są wartości zmiennych objaśniających w momencie lub okresie prognozowania

5. można ekstrapolować model poza jego dziedzinę

zmienna syntetyczna - budowane w oparciu o wektor zmiennych cząstkowych

Rodzaje zmiennych:

1. stymulanty - wzrost wartości jest pożądany

2. destymulanty - spadek wartości jest pożądany

3. nominanty - zalecana jest pewna wartość nominalna lub przedział wartości

symulacja - badanie rzeczywistego systemu za pomocą eksperymentów na modelu mających dać odpowiedź na pytanie, jak zachowałby się w pewnych warunkach obiekt odwzorowany danym modelem (w modelu ekonometrycznym zabiegi symulacyjne mogą dotyczyć zmiennych modelu, jego parametrów strukturalnych lub właściwości składnika losowego)

Powody występowania autokorelacji składnika losowego:

zła specyfikacja modelu (niektóre zmienne działają z opóźnieniem, nieuwzględnienie cykliczności wahań, zła postać analityczna) błędy wynikające z agregacji danych

V. PROGNOZOWANIE ANALOGOWE

analogia - zgodność, odpowiedniość, podobieństwo

rozumowanie przez analogię - przenoszenie twierdzeń o jednym przedmiocie na inny na podstawie istniejących między nimi

podobieństw

prognozowanie analogowe - przewidywanie przyszłości określonej zmiennej przez wykorzystanie informacji o innych zmiennych, których zmiany w czasie są podobne, choć nie równoczesne (zmienne jednoimienne lub różnoimienne)

Rodzaje metod analogowych:

1. biologiczne - przenoszenie budowy i funkcjonowania organizmów żywych na inne obiekty

2. przestrzenne - przewidywanie zjawiska na podstawie informacji o zajściu tego zjawiska na innym terytorium

1. historyczne - przenoszenie prawidłowości zmian zjawisk (zmienna wiodąca) na inne zjawiska w danym obiekcie, które są
   opóźnione (zmienna naśladująca)

2. przestrzenno-czasowe - przenoszenie w czasie prawidłowości z jednych obiektów na inne (najczęściej dotyczy to zmiennych
   jednoimiennych)

Kryteria podobieństwa:

1. poziomu - dwie zmienne są podobne, jeżeli w pewnym momencie lub okresie osiągnęły jednakową wartość (tylko dla zmiennych
   jednoimiennych)

2. kształtu - dwie zmienne są podobne, jeśli charakteryzują się podobnymi zmianami w czasie (mają podobne tendencje rozwojowe,
   wahania)

Zastosowania metod analogowych:

• przewidywanie punktów zwrotnych trendu i zmiany postaci związków między zmiennymi

• przewidywanie postaci trendu i związków między zmiennymi w przyszłości

• przewidywanie zajścia nowych zdarzeń w obiekcie, dla którego wyznacza się prognozę w sytuacji, gdy zdarzenia takie już
  wystąpiły gdzie indziej

Metody analogowe

• przesłanki: niemożność ekstrapolowania tendencji z przeszłości, istnienie obiektów (zmiennych) podobnych

• mechanizm: przenoszenie prawidłowości zmian jednych zjawisk na inne (prognozowane)

• dodatkowe założenie: konieczne jest podobieństwo kształtu funkcji porównywanych

Rodzaje zmiennych analogii historycznych:

1. wiodąca - przechodzi kolejne zmiany w czasie wcześniej niż zmienna prognozowana

2. naśladująca - zmienna prognozowana podobna do zmiennej wiodącej

cykl koniunkturalny - wahadłowy ruch aktywności gospodarczej przejawiający się w zmianach stopnia wykorzystania potencjału

produkcyjnego

Metody zmiennych wiodących

Wyróżnia się tu cztery rodzaje zmiennych: referencyjną (charakteryzującą główne zmiany gospodarki), wiodące (przechodzą przez

fazy cyklu wcześniej niż zmienna referencyjna), naśladujące (przechodzą przez fazy cyklu później niż zmienna referencyjna) oraz

zmienne zbieżne (przechodzą fazy cyklu jednocześnie ze zmienną referencyjną). Po pogrupowaniu zmiennych i obliczeniu

syntetycznych wskaźników dla każdej grupy, sumuje się je otrzymując w ten sposób syntetyczny wskaźnik koniunktury.

VI. METODY HEURYSTYCZNE

heurystyka - umiejętność wykrywania nowych faktów i relacji między faktami oraz dochodzenia w ten sposób do nowych prawd

7 więcej opracowań, notatek i konspektów w internecie: www.econom.pl

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

heurystyczne metody prognozowania - metody wykorzystujące do sformułowania prognozy opinie ekspertów oparte na intuicji i doświadczeniu

Burza mózgów

Polega na szukaniu pomysłów przez grupę „ekspertów" (nie sprawdza się ich kwalifikacji). Podstawowe zasady to: nie krytykować, stymulować jak największą liczbę pomysłów, rozwijać cudze pomysły.

Metody heurystyczne

• przesłanki: brak danych z przeszłości, dostęp do prognoz ekspertów

• mechanizm: badanie opinii ekspertów na dany temat, prognozą jest najczęściej powtarzające się zdanie ekspertów

• dodatkowe założenie: miary zgodności zależą od stosowanej skali pomiaru

Skale pomiarowe badań ankietowych opinii ekspertów (wg ich siły prognozowania)

1. nominalna (współczynnik dyspersji)

2. porządkowa (współczynnik korelacji rang)

3. przedziałowa

4. ilorazowa

Cechy metody delfickiej:

• niezależność opinii ekspertów

• wielość opinii ekspertów

• wieloetapowość postępowania

• uzgadnianie i sumowanie opinii osób kompetentnych

VII. PROGNOZY OSTRZEGAWCZE

Rodzaje prognoz:

1. realistyczne (preparacyjne) - wysoki stopień zaufania do prognozy

2. badawcze

• informacyjne

• aktywizujące

• ostrzegawcze

Rodzaje prognoz ostrzegawczych:

1. stwierdzenie braku możliwości wyznaczenia prognozy (jakościowa)

2. stwierdzenie niekorzystnych zmian w kształtowaniu się składowej systematycznej szeregu (jakościowa)

3. niekorzystny stan zmiennej w momencie należącym do przyszłości (ilościowa)

Punktem wyjścia do formułowania prognoz ostrzegawczych jest kwalifikacja zdarzeń jako korzystnych lub niekorzystnych dla odbiorcy prognozy.

Zdarzeniem niekorzystnym jest zawsze nieuregulowany (statystycznie) przebieg zmiennej, czyli taki, w którym dominują składowe losowe o różnych kierunkach i sile oddziaływania.

Metody wyznaczania prognoz ostrzegawczych:

1. badanie dopuszczalności prognozy - gdy prognoza jest niedopuszczalna z powodu zbyt dużego błędu ex ante lub zbyt dużego
   współczynnika wyrazistości (powyżej 10%) formułujemy prognozę ostrzegawczą

2. współczynnik korelacji wielorakiej -jeśli nie jest istotnie różny od zera formułujemy prognozę ostrzegawczą

3. współczynnik korelacji rang (kolejności) Spearmana - istotna wartość tego współczynnika świadczy o przewidywalności zminnej;
   nieistotna wartość zmusza do sformułowania prognozy ostrzegawczej

4. karty kontrolne - linia centralna przebiega na poziomie średniej wartości zmiennej, a po jej obu stronach znajdują się linie
   kontrolne, umieszczone w odległości jednego i dwóch odchyleń standardowych od średniej; prognozy ostrzegawcze formułuje się,
   gdy wartości zmiennych zaczynają wychodzić poza linie kontrolne

5. metoda różnic - opiera się na identyfikacji punktów charakterystycznych funkcji (ekstremów i punktów przegięcia)

6. ekstrapolacja dotychczasowych prawidłowości - prognozy ostrzegawcze formułuje się, gdy wartości prognozowane zmiennej są
   niekorzystne dla odbiorcy prognozy

więcej opracowań, notatek i konspektów w internecie: www.econom.pl

---